TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Algoritmaların dünyamızı şekillendirmesi
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin'in bizim algoritmalar için dizayn edilmiş ve kontrolü zamanla daha fazla ele aldıkları bir dünyada yaşadığımızı savunmaktadır. TEDGlobal'ın bu sürükleyici konuşmasında, bu kompleks bilgisayar programlarının casusluk taktiktlerini, borsa değerlerini, film senaryolarını ve mimariyi nasıl etkilediğini gösteriyor. Ve altında yatan etkileri kontrol edip anlayamadığımız bir kod yazdığımız konusunda bizi uyarıyor.
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
Bu sanatçı Michael Najjar
00:17
by the artist Michael Najjar,
1
2000
2000
tarafından çekilmiş bir fotoğraf
00:19
and it's real,
2
4000
2000
ve gerçek,
00:21
in the sense that he went there to Argentina
3
6000
2000
Arjantine gidip
00:23
to take the photo.
4
8000
2000
fotoğrafı çekme bağlamında.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Ama aynı zamanda bir kurgu. Ondan sonra üzerinde oldukça fazla zaman harcandı.
00:28
And what he's done
6
13000
2000
Ve yaptığı şey
00:30
is he's actually reshaped, digitally,
7
15000
2000
dağın çevre çizgisinin tamamını
00:32
all of the contours of the mountains
8
17000
2000
Dow Jones'un borsa endeksinin iniş çıkışına göre
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
tekrar şekillendirdi.
00:37
So what you see,
10
22000
2000
Yani gördüğünüz şey,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
o uçurum, o vadili yüksek uçurum,
00:41
is the 2008 financial crisis.
12
26000
2000
2008 ekonomik krizi.
00:43
The photo was made
13
28000
2000
Bu fotoğraf
00:45
when we were deep in the valley over there.
14
30000
2000
biz o vadinin oldukça derinlerindeyken yapıldı.
00:47
I don't know where we are now.
15
32000
2000
Ve şu an neredeyiz bilmiyorum.
00:49
This is the Hang Seng index
16
34000
2000
Bu Hang Seng'in
00:51
for Hong Kong.
17
36000
2000
Hong Kong endeksi.
00:53
And similar topography.
18
38000
2000
Benzer bir topoğrafya.
00:55
I wonder why.
19
40000
2000
Neden bilmiyorum.
00:57
And this is art. This is metaphor.
20
42000
3000
Ve bu sanat. Bu metafor.
01:00
But I think the point is
21
45000
2000
Ama bence asıl nokta
01:02
that this is metaphor with teeth,
22
47000
2000
bu dişli bir metafor.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Ve bu dişlerle önermeye çalıştığım şey
01:07
that we rethink a little bit
24
52000
2000
bizim çağdaş matematiğin rolü hakkında
01:09
about the role of contemporary math --
25
54000
3000
tekrar bir düşünmemizdir
01:12
not just financial math, but math in general.
26
57000
3000
sadece finansal matematiği değil, matematiğin tamamını.
01:15
That its transition
27
60000
2000
Dünyadan çıkarıp elde ettiğimiz bir şeyden
01:17
from being something that we extract and derive from the world
28
62000
3000
aslında ona şekil veren,
01:20
to something that actually starts to shape it --
29
65000
3000
çevremizi ve içimizdeki dünyayı değiştiren
01:23
the world around us and the world inside us.
30
68000
3000
bir şeye dönüşmesini.
01:26
And it's specifically algorithms,
31
71000
2000
Ve spesifik olarak algoritmalar,
01:28
which are basically the math
32
73000
2000
temelde bilgisayarların
01:30
that computers use to decide stuff.
33
75000
3000
bir şeylere karar verme matematiğidir.
01:33
They acquire the sensibility of truth
34
78000
2000
Gerçeğin hassaslığını edinirler,
01:35
because they repeat over and over again,
35
80000
2000
çünkü üst üste tekrar ederler.
01:37
and they ossify and calcify,
36
82000
3000
Ve kemikleşirler, kireçlenirler
01:40
and they become real.
37
85000
2000
ve gerçek olurlar.
01:42
And I was thinking about this, of all places,
38
87000
3000
Ve bunun hakkında düşünüyordum, bütün mekanlardan,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
birkaç yıl önce bir trasnatlantik uçuştayken,
01:48
because I happened to be seated
40
93000
2000
çünkü tesadüfen benim yaşlarımda
01:50
next to a Hungarian physicist about my age
41
95000
2000
Macar bir fizikçinin yanına oturdum
01:52
and we were talking
42
97000
2000
ve Soğuk Savaş sırasında hayatın
01:54
about what life was like during the Cold War
43
99000
2000
Macar fizikçiler için nasıl olduğuna
01:56
for physicists in Hungary.
44
101000
2000
dair konuşuyorduk.
01:58
And I said, "So what were you doing?"
45
103000
2000
Ve ben, "Ee ne yapıyordun?" dedim
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Ve o, "Yani çoğunlukla görünmezliği kırmaya çalışıyoduk."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
ve ben "Çok iyi iş. İlginç
02:04
How does that work?"
48
109000
2000
Nasıl çalışıyor?"
02:06
And to understand that,
49
111000
2000
Ve bunu anlamak için,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
görünmezliğin nasıl çalıştığını anlamanız gerekiyordu.
02:11
And so -- this is an over-simplification --
51
116000
3000
Ve yani -- bu aşırı bir basite indirgeme --
02:14
but basically, it's not like
52
119000
2000
ama aslında, gökyüzündeki 156 tonluk bir çeliği
02:16
you can just pass a radar signal
53
121000
2000
radar sinyaline hiç gözükmeden
02:18
right through 156 tons of steel in the sky.
54
123000
3000
geçirmek değil.
02:21
It's not just going to disappear.
55
126000
3000
Birden yok olmayacak tabii.
02:24
But if you can take this big, massive thing,
56
129000
3000
Ama bu büyük, koca nesneyi alıp
02:27
and you could turn it into
57
132000
3000
daha küçük bir şeye
02:30
a million little things --
58
135000
2000
dönüştürebilirsen --
02:32
something like a flock of birds --
59
137000
2000
bir kuş sürüsü gibi --
02:34
well then the radar that's looking for that
60
139000
2000
işte şimdi onu arayan radarın
02:36
has to be able to see
61
141000
2000
gökyüzündeki bütün kuş sürülerini
02:38
every flock of birds in the sky.
62
143000
2000
görebilmesi gerekecek.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Ve bir radarsan, bu gerçekten kötü bir iş.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Ve "Evet." dedi, "Ama eğer bir radarsan.
02:47
So we didn't use a radar;
65
152000
2000
Bu yüzden biz de radar kullanmadık;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
Elektrik sinyallerine, elektronik kominikasyona bakan
02:52
electronic communication.
67
157000
3000
bir kara kutu yaptık.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Ve ne zaman elektronik kominikasyonu olan bir kuş sürüsü görsek,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
bunun Amerikalılarla bir ilgisi var diye düşündük."
03:01
And I said, "Yeah.
70
166000
2000
Ve ben "Tamam.
03:03
That's good.
71
168000
2000
Çok iyi.
03:05
So you've effectively negated
72
170000
2000
Böylece 60 yıllık bir havacılık araştırmasını
03:07
60 years of aeronautic research.
73
172000
2000
efektif bir şekilde etkisiz hale getirdiniz.
03:09
What's your act two?
74
174000
2000
İkinci perde nedir?
03:11
What do you do when you grow up?"
75
176000
2000
Büyüyünce ne yapıyorsun?"
03:13
And he said,
76
178000
2000
Ve dedi ki,
03:15
"Well, financial services."
77
180000
2000
"Ee, finansal servisler."
03:17
And I said, "Oh."
78
182000
2000
"Aa" dedim.
03:19
Because those had been in the news lately.
79
184000
3000
Çünkü bunlar yakın zamanda haberlerdeydi.
03:22
And I said, "How does that work?"
80
187000
2000
"O nasıl çalışıyor?" dedim.
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
"Yani şu anda Wall Street'te 2,000 fizikçi var." dedi
03:26
and I'm one of them."
82
191000
2000
"Ve ben onlardan biriyim."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
dedim ki "Wall Street'in kara kutusu nedir?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
ve dedi ki "Bunu sorman komik oldu,
03:33
because it's actually called black box trading.
85
198000
3000
çünkü buna aslında kara kutu ticareti deniliyior.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Ve bazen de algo ticareti.
03:38
algorithmic trading."
87
203000
3000
algoritmik ticaret."
03:41
And algorithmic trading evolved in part
88
206000
3000
Ve algoritmik ticaret bir tarafta gelişti
03:44
because institutional traders have the same problems
89
209000
3000
çünkü kurumsal ticaretlere uğraşanlar
03:47
that the United States Air Force had,
90
212000
3000
Birleşik Devletler Hava Kuvvetleri ile aynı sorunlarla karşılaştılar,
03:50
which is that they're moving these positions --
91
215000
3000
bu da haraket ettikleri pozisyonlar arasında --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
Proctor & Gamble, Accenture veya herhangi birşey olması farketmeden --
03:55
they're moving a million shares of something
93
220000
2000
bir şeyin bir milyon hissesini hareket ettirir gibi
03:57
through the market.
94
222000
2000
borsada hareket ettirmeleri.
03:59
And if they do that all at once,
95
224000
2000
Hepsini bir seferde yaparlarsa,
04:01
it's like playing poker and going all in right away.
96
226000
2000
pokere başlar başlamaz 'all-in' yapmak gibi bir şey olur.
04:03
You just tip your hand.
97
228000
2000
Siz sadece elini kıpırdat.
04:05
And so they have to find a way --
98
230000
2000
Ve böylece bir yol bulmak zorunda kalıyolar --
04:07
and they use algorithms to do this --
99
232000
2000
ve bunun için algoritmaları kullanıyorlar --
04:09
to break up that big thing
100
234000
2000
büyük olan şeyi
04:11
into a million little transactions.
101
236000
2000
milyonlarca küçük işleme bölmek için.
04:13
And the magic and the horror of that
102
238000
2000
Ve bunun büyüleyici ve korkutucu tarafı,
04:15
is that the same math
103
240000
2000
büyük şeyi milyonlarca küçük
04:17
that you use to break up the big thing
104
242000
2000
parçaya ayırmak için
04:19
into a million little things
105
244000
2000
kullanılan matematiğin aynısı
04:21
can be used to find a million little things
106
246000
2000
milyonlarca küçük parça bulup,
04:23
and sew them back together
107
248000
2000
birbirine geri bağlayıp,
04:25
and figure out what's actually happening in the market.
108
250000
2000
borsada ne olup bittiğini anlamakta kullanılıyor.
04:27
So if you need to have some image
109
252000
2000
Yani şu an borsada neler olduğuna dair
04:29
of what's happening in the stock market right now,
110
254000
3000
kafanızda bir imaj oluşturmanız gerekirse,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
düşünebileceğiniz şey, esasen saklanmaya programlanmış
04:34
that are basically programmed to hide,
112
259000
3000
bir grup algoritma
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
ve bunları bulup harekete geçen başka bir grup algoritma.
04:40
And all of that's great, and it's fine.
114
265000
3000
Ve bunların hepsi çok iyi ve hoş.
04:43
And that's 70 percent
115
268000
2000
Ve bu Birleşik Devletler borsasının
04:45
of the United States stock market,
116
270000
2000
yüzde 70'i,
04:47
70 percent of the operating system
117
272000
2000
eskiden emeklilik maaşı,
04:49
formerly known as your pension,
118
274000
3000
mortgage olarak bilinen
04:52
your mortgage.
119
277000
3000
işletim sisteminin yüzde 70'i.
04:55
And what could go wrong?
120
280000
2000
Ve ne ters gidebilir ki?
04:57
What could go wrong
121
282000
2000
Neyin ters gidebileceği,
04:59
is that a year ago,
122
284000
2000
bir yıl önce
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
bütün piyasanın yüzde 9'unun sadece 5 dakika içinde yok olmasıyla görüldü.
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
Ve buna 2:45'in flaş kazası adını verdiler.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Ve aniden, yüzde 9 kaybolur gider,
05:10
and nobody to this day
126
295000
2000
ve bugüne kadar kimse
05:12
can even agree on what happened
127
297000
2000
neler olup bittiğine dair hemfikir olamamış
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
çünkü kimse böyle bir şeyi buyurmamış veya istememişti.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Kimse aslında neler olduğuna dair bir kontrole sahip değildi.
05:20
All they had
130
305000
2000
Ellerinde tek olan
05:22
was just a monitor in front of them
131
307000
2000
önlerinde, üzerinde numaralar olan
05:24
that had the numbers on it
132
309000
2000
bir monitör
05:26
and just a red button
133
311000
2000
ve 'Dur' yazan
05:28
that said, "Stop."
134
313000
2000
kırmızı bir düğmeydi.
05:30
And that's the thing,
135
315000
2000
Ve olay bu.
05:32
is that we're writing things,
136
317000
2000
Birşeyler yazıyoruz,
05:34
we're writing these things that we can no longer read.
137
319000
3000
artık okuyamayacağımız birşeyler yazıyoruz.
05:37
And we've rendered something
138
322000
2000
Ve biz bir şeyi
05:39
illegible,
139
324000
2000
okunaksız hale getirdik.
05:41
and we've lost the sense
140
326000
3000
Ve bu yarattığımız dünyada
05:44
of what's actually happening
141
329000
2000
gerçekten neler olup bittiğini
05:46
in this world that we've made.
142
331000
2000
tamamen kaybettik.
05:48
And we're starting to make our way.
143
333000
2000
Ve yolumuzu açmaya başlıyoruz.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Boston'da matematik, sihir
05:53
and they use math and magic
145
338000
2000
ve kimbilir ne kullanan
05:55
and I don't know what,
146
340000
2000
Nanex adlı bir firma var
05:57
and they reach into all the market data
147
342000
2000
ve onlar bütün borsa verilerine uzanıp
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
bazen gerçekten bu algoritmalardan bazılarını buluyorlar.
06:02
And when they find them they pull them out
149
347000
3000
Ve buldukları zaman onları çıkarıp,
06:05
and they pin them to the wall like butterflies.
150
350000
3000
kelebek gibi duvara iğneliyorlar.
06:08
And they do what we've always done
151
353000
2000
Ve onlar bizim hep,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
anlayamadığımız büyük miktarlarda verilerle karşılaştığımızdaki gibi yapıyorlar --
06:13
which is that they give them a name
153
358000
2000
onlara bir isim
06:15
and a story.
154
360000
2000
ve hikaye veriyorlar.
06:17
So this is one that they found,
155
362000
2000
İşte bu,
06:19
they called the Knife,
156
364000
4000
'Bıçak' ,
06:23
the Carnival,
157
368000
2000
'Karnaval' ,
06:25
the Boston Shuffler,
158
370000
4000
'Boston Karıştırıcısı' ,
06:29
Twilight.
159
374000
2000
'Alacakaranlık' adını verdiklerinden biri.
06:31
And the gag is
160
376000
2000
Ve işin esprisi
06:33
that, of course, these aren't just running through the market.
161
378000
3000
tabii ki sadece borsada ilerlemiyolar.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Bunlara nasıl bakmayı öğrendikten sonra,
06:39
once you learn how to look for them.
163
384000
2000
baktığınız herhangi bir yerde bulabilirsiniz.
06:41
You can find it here: this book about flies
164
386000
3000
Amazon'dan baktığınız
06:44
that you may have been looking at on Amazon.
165
389000
2000
sinekler hakkında bir kitapta bulabilirsiniz.
06:46
You may have noticed it
166
391000
2000
Farketmiş olabilirsiniz
06:48
when its price started at 1.7 million dollars.
167
393000
2000
fiyatı 1.7 milyon dolarlardayken.
06:50
It's out of print -- still ...
168
395000
2000
Baskısı tükenmiş -- ama hala ...
06:52
(Laughter)
169
397000
2000
(Kahkaha)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
1.7'ye aldıysanız, ucuza kapatmış olurdunuz.
06:57
A few hours later, it had gone up
171
402000
2000
Birkaç saat sonra,
06:59
to 23.6 million dollars,
172
404000
2000
kargo ve teslimat dahil
07:01
plus shipping and handling.
173
406000
2000
23.6 milyon dolar olurdu.
07:03
And the question is:
174
408000
2000
Ve soru şu ki:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Hiçkimse bir şey alıp satmıyor, neler oluyor?
07:07
And you see this behavior on Amazon
176
412000
2000
Ve Amazon'da gördüğünüz bu tutumu
07:09
as surely as you see it on Wall Street.
177
414000
2000
kesinlikle Wall Street'te de görebilirsiniz.
07:11
And when you see this kind of behavior,
178
416000
2000
Ve bu tutumu görünce,
07:13
what you see is the evidence
179
418000
2000
karşınıza çıkan şey
07:15
of algorithms in conflict,
180
420000
2000
çelişen algoritmaların,
07:17
algorithms locked in loops with each other,
181
422000
2000
birbiri içinde döngülere kitlenen algoritmaların kanıtıdır.
07:19
without any human oversight,
182
424000
2000
Herhangi bir insan gözetimi olmadan,
07:21
without any adult supervision
183
426000
3000
herhangi bir yetişkin denetimi olmadan
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
"Aslında, 1.7 milyon oldukça fazla." demek için.
07:27
(Laughter)
185
432000
3000
(Kahkaha)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Ve Amazon'da olduğu gibi Netflix'te de öyle.
07:33
And so Netflix has gone through
187
438000
2000
Netflix yıllar boyunca
07:35
several different algorithms over the years.
188
440000
2000
birkaç değişik algoritmalardan geçmiştir.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Cinematch ile başlayıp, bir takım diğerlerinde de denemişlerdir.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
'Dinozor Gezegeni' var, 'Yerçekimi' var.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Şu an 'Pragmatik Kaos' u kullanıyolar.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
'Pragmatik Kaos' diğer Netflix algoritmaları gibi
07:46
trying to do the same thing.
193
451000
2000
aynı şeyi yapmaya çalışıyor.
07:48
It's trying to get a grasp on you,
194
453000
2000
Sizi, insan kafatası içindeki yazılımı
07:50
on the firmware inside the human skull,
195
455000
2000
kavramaya çalışıyor
07:52
so that it can recommend what movie
196
457000
2000
böylece bundan sonra
07:54
you might want to watch next --
197
459000
2000
hangi filmi izlemek isteyebileceğinizi öneriyor --
07:56
which is a very, very difficult problem.
198
461000
3000
ki bu da çok çok zor bir problem.
07:59
But the difficulty of the problem
199
464000
2000
Ama bu problemin zorluğu
08:01
and the fact that we don't really quite have it down,
200
466000
3000
ve aktif bir şekilde bunun farkında olmamamız,
08:04
it doesn't take away
201
469000
2000
'Pragmatik Kaos' un
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
sahip olduğu etkileri değiştirmiyor.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Diğer bütün Netflix algoritmaları gibi, 'Pragmatik Kaos' da
08:11
determines, in the end,
204
476000
2000
sonunda
08:13
60 percent
205
478000
2000
kiralanan filmlerin
08:15
of what movies end up being rented.
206
480000
2000
yüzde 60'ını belirliyor.
08:17
So one piece of code
207
482000
2000
Yani sizin hakkınızda bir fikre sahip olan,
08:19
with one idea about you
208
484000
3000
bir parça kod
08:22
is responsible for 60 percent of those movies.
209
487000
3000
bu filmlerin %60ından sorumlu.
08:25
But what if you could rate those movies
210
490000
2000
Ama eğer bu filmleri yapılmadan önce
08:27
before they get made?
211
492000
2000
değerlendirebilseydiniz?
08:29
Wouldn't that be handy?
212
494000
2000
Bu çok işe yaramaz mıydı?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Birleşik Krallık'tan birkaç veri bilimcisi Hollywood'da
08:34
and they have "story algorithms" --
214
499000
2000
ve hikaye algoritmalarına sahipler --
08:36
a company called Epagogix.
215
501000
2000
Epagogix adında bir firma.
08:38
And you can run your script through there,
216
503000
3000
Ve siz senaryonuzu buradan geçirebiliyorsunuz
08:41
and they can tell you, quantifiably,
217
506000
2000
ve onlar size, ölçülebilir bir şekilde,
08:43
that that's a 30 million dollar movie
218
508000
2000
bu 30 milyon dolarlık bir film
08:45
or a 200 million dollar movie.
219
510000
2000
veya 200 milyon dolarlık bir film diyebiliyorlar.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Ve bunun olayı, bu şey Google değil.
08:49
This isn't information.
221
514000
2000
Bu enformasyon değil.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Bunlar finansal değerler değil; bu kültür.
08:53
And what you see here,
223
518000
2000
Ve burada gördüğünüz şey,
08:55
or what you don't really see normally,
224
520000
2000
veya normalde görmediğiniz,
08:57
is that these are the physics of culture.
225
522000
4000
bunların, kültürün fiziği olduğu.
09:01
And if these algorithms,
226
526000
2000
Ve eğer bu algoritmalar,
09:03
like the algorithms on Wall Street,
227
528000
2000
Wall Street'tekiler gibi,
09:05
just crashed one day and went awry,
228
530000
3000
bir günde çökse ve ters gitseydi,
09:08
how would we know?
229
533000
2000
nasıl görünebileceğini
09:10
What would it look like?
230
535000
2000
nereden bilebilirdik?
09:12
And they're in your house. They're in your house.
231
537000
3000
Ve bunlar sizin evinizin içindeler. Evinizin içindeler.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Oturma odanız için yarışan bu iki algoritma.
09:17
These are two different cleaning robots
233
542000
2000
Bunlar temizlik hakkında oldukça farklı fikirleri olan,
09:19
that have very different ideas about what clean means.
234
544000
3000
iki farklı temizlik robotu.
09:22
And you can see it
235
547000
2000
Ve eğer yavaşlatır ve üstlerine ışık takarsanız,
09:24
if you slow it down and attach lights to them,
236
549000
3000
bunu görebilirsiniz.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Ve onlar yatak odanızdaki gizli mimarlar gibilerdir.
09:30
And the idea that architecture itself
238
555000
3000
Ve mimarlığın kendisinin, bir şekilde algoritmik optimizasyonun
09:33
is somehow subject to algorithmic optimization
239
558000
2000
bir konusu olduğu fikrine
09:35
is not far-fetched.
240
560000
2000
inanmak güç değil.
09:37
It's super-real and it's happening around you.
241
562000
3000
Bu süper gerçek ve etrafınızda olup bitiyor.
09:40
You feel it most
242
565000
2000
Bunu en çok
09:42
when you're in a sealed metal box,
243
567000
2000
kapalı metal bir kutunun,
09:44
a new-style elevator;
244
569000
2000
bir yeni-stil asansörün içindeyken hissediyorsunuz.
09:46
they're called destination-control elevators.
245
571000
2000
Bunlara istikamet kontrol asansörleri deniyor.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Bunlar, asansöre binmeden önce gideceğiniz katın düğmesine
09:51
before you get in the elevator.
247
576000
2000
bastığınız asansörler.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Ve bunlar 'bin paketleme algoritması' adında bir şey kullanıyorlar.
09:55
So none of this mishegas
249
580000
2000
Yani bu herkesin istediği kabine
09:57
of letting everybody go into whatever car they want.
250
582000
2000
girmesine izin verildiği bir çılgınlık değil.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
10.kata gitmek isteyer herkes iki numaralı kabine,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
ve 3.kata gitmek isteyen herkes beş numaralı kabine giriyor.
10:04
And the problem with that
253
589000
2000
Ve buradaki problem
10:06
is that people freak out.
254
591000
2000
insanlar çıldırıyor.
10:08
People panic.
255
593000
2000
İnsanlar panikliyor.
10:10
And you see why. You see why.
256
595000
2000
Ve neden olduğunu görüyorsunuz. Neden görüyorsunuz.
10:12
It's because the elevator
257
597000
2000
Çünkü asansör
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
bazı önemli parçalara sahip değil, düğmeler gibi.
10:17
(Laughter)
259
602000
2000
(Kahkaha)
10:19
Like the things that people use.
260
604000
2000
İnsanların kullandığı türden şeyler.
10:21
All it has
261
606000
2000
Sadece sahip olduğu şey
10:23
is just the number that moves up or down
262
608000
3000
yukarı aşağı ilerleyen bir numara
10:26
and that red button that says, "Stop."
263
611000
3000
ve üstüne 'Dur.' yazan bir kırmızı tuş.
10:29
And this is what we're designing for.
264
614000
3000
Ve işte bu yüzden dizayn ediyoruz.
10:32
We're designing
265
617000
2000
Bu makine diyalekti için
10:34
for this machine dialect.
266
619000
2000
dizayn ediyoruz.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Ve bunu nekadar ileriye götürebilirsiniz? Neden ileri götürebilirsiniz?
10:39
You can take it really, really far.
268
624000
2000
Gerçekten, gerçekten fazla ileri götürebilirsiniz.
10:41
So let me take it back to Wall Street.
269
626000
3000
Wall Street'e geri getirmeme izin verin.
10:45
Because the algorithms of Wall Street
270
630000
2000
Çünkü Wall Street algoritmaları
10:47
are dependent on one quality above all else,
271
632000
3000
herşeyin üstünde tek bir özelliğe bağlılar,
10:50
which is speed.
272
635000
2000
hıza.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Milisaniyeler ve mikrosaniyeler hızında çalışıyorlar.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Ve mikrosaniyeler hakkında bir fikir edinmeniz için
10:57
it takes you 500,000 microseconds
275
642000
2000
mouse'a tıklamanızın
10:59
just to click a mouse.
276
644000
2000
500,000 mikrosaniye sürdüğünü söyleyebilirim.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Ama bir Wall Street algoritmasıysanız,
11:03
and you're five microseconds behind,
278
648000
2000
ve 5 mikrosaniye gerideyseniz,
11:05
you're a loser.
279
650000
2000
kaybettiniz demektir.
11:07
So if you were an algorithm,
280
652000
2000
Eğer bir algoritma olsaydınız,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
benim Frankfurt'ta tanıştığım gibi, bir gökdelenin içini boşaltan
11:12
who was hollowing out a skyscraper --
282
657000
2000
bir mimar arıyor olurdunuz --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
bütün mobilyaları, bütün insan kullanımı için gereken altyapıyı atıp,
11:17
and just running steel on the floors
284
662000
3000
sadece gelecek olan yığınla serverı bekleyen
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
çelik yer kaplamaları --
11:23
all so an algorithm
286
668000
2000
bütün bunların hepsi
11:25
could get close to the Internet.
287
670000
3000
bir algoritma internete yaklaşabilsin diye.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Ve siz interneti bu şekilde dağıtılan bir sistem olarak düşünüyorsunuz.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Ve tabii ki, öyle, ama mekanlardan dağıtılıyor.
11:34
In New York, this is where it's distributed from:
290
679000
2000
New York'ta, şurdan dağıtılıyor:
11:36
the Carrier Hotel
291
681000
2000
Hudson Sokağı'ndaki
11:38
located on Hudson Street.
292
683000
2000
Carrier Hotel'den.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Ve bu gerçekten kabloların şehre indiği mekan.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Ve gerçek şu ki, bundan ne kadar uzakta olursanız,
11:47
you're a few microseconds behind every time.
295
692000
2000
tüm zamanlardan birkaç mikrosaniye geride olursunuz.
11:49
These guys down on Wall Street,
296
694000
2000
Wall Street'teki bu insanlar,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
'Marco Polo' ve 'Cherokee Nation'
11:53
they're eight microseconds
298
698000
2000
bu Carrier Hotel'in
11:55
behind all these guys
299
700000
2000
etrafındaki
11:57
going into the empty buildings being hollowed out
300
702000
4000
içi boşaltılmış binalardaki insanlardan
12:01
up around the Carrier Hotel.
301
706000
2000
sekiz mikrosaniye gerideler.
12:03
And that's going to keep happening.
302
708000
3000
Ve bu olmaya devam edecek.
12:06
We're going to keep hollowing them out,
303
711000
2000
Ve onları boşaltmaya devam edeceğiz,
12:08
because you, inch for inch
304
713000
3000
çünkü siz, santim santim
12:11
and pound for pound and dollar for dollar,
305
716000
3000
ve kilo kilo, ve dolar dolar
12:14
none of you could squeeze revenue out of that space
306
719000
3000
hiçbiriniz 'Boston Karıştırıcısı'nın yaptığı gibi
12:17
like the Boston Shuffler could.
307
722000
3000
o boşluktan o geliri çıkaramayacak.
12:20
But if you zoom out,
308
725000
2000
Ama eğer uzaklaşırsanız,
12:22
if you zoom out,
309
727000
2000
eğer uzaktan bakarsanız,
12:24
you would see an 825-mile trench
310
729000
4000
New York ve Chicago arasında
12:28
between New York City and Chicago
311
733000
2000
son bir kaç yılda
12:30
that's been built over the last few years
312
735000
2000
'Spread Networks' adında bir firmanın inşa ettiği
12:32
by a company called Spread Networks.
313
737000
3000
1328 kilometrelik bir hendek görürsünüz.
12:35
This is a fiber optic cable
314
740000
2000
Bu sadece iki şehir arasına çekilmiş
12:37
that was laid between those two cities
315
742000
2000
bir fiber optik kablo.
12:39
to just be able to traffic one signal
316
744000
3000
Sadece bir sinyali,
12:42
37 times faster than you can click a mouse --
317
747000
3000
sizin mouse'a tıklama hızınızdan 37 kat daha hızlı iletebilmek için --
12:45
just for these algorithms,
318
750000
3000
sadece bu algroitmalar,
12:48
just for the Carnival and the Knife.
319
753000
3000
sadece 'Karnaval' ve 'Bıçak' için.
12:51
And when you think about this,
320
756000
2000
Ve bunu düşündüğünüzde,
12:53
that we're running through the United States
321
758000
2000
Birleşik Devletler'de
12:55
with dynamite and rock saws
322
760000
3000
bir algoritma, işi
12:58
so that an algorithm can close the deal
323
763000
2000
üç mikrosaniye hızlı yapabilsin diye
13:00
three microseconds faster,
324
765000
3000
dinamit ve kaya testereleriyle koşturuyoruz,
13:03
all for a communications framework
325
768000
2000
hepsi, hiçbir insanın asla bilmeyeceği
13:05
that no human will ever know,
326
770000
4000
bir kominikasyon iskeleti için,
13:09
that's a kind of manifest destiny;
327
774000
3000
işte bu kadar belirgin bir kader
13:12
and we'll always look for a new frontier.
328
777000
3000
her zaman yeni sınırlar zorlayacaktır.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Ne yazık ki, bizim için işimiz belirlenmiş.
13:18
This is just theoretical.
330
783000
2000
Bu sadece kuramsal.
13:20
This is some mathematicians at MIT.
331
785000
2000
Bu MIT'de bazı matematikçiler.
13:22
And the truth is I don't really understand
332
787000
2000
Ve gerçek şu ki
13:24
a lot of what they're talking about.
333
789000
2000
şöyledikleri şeyin çoğunu anlamıyorum.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Işık konileri ve kuantum dolanması içeriyorlar
13:29
and I don't really understand any of that.
335
794000
2000
ve ben onlardan pek anlamıyorum.
13:31
But I can read this map,
336
796000
2000
Ama bu haritayı okuyabiliyorum.
13:33
and what this map says
337
798000
2000
Ve bu haritanın söylediği şey,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
eğer kırmızı noktaların bulunduğu piyasalarda para kazanmaya çalışıyorsanız,
13:38
that's where people are, where the cities are,
339
803000
2000
bunlar insanların, şehirlerin bulunduğu yerler,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
ve bunu en verimli şekilde yapabilmek için
13:43
to do that most effectively.
341
808000
2000
serverları mavi noktaların olduğu yerlere koymak zorundasınız.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Ve belki farkettiğiniz gibi bu mavi noktaların çoğu
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
okyanusun ortasında duruyor.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Yani yapacağımız şey, küresel kafesler veya platformlar
13:54
or platforms.
345
819000
2000
gibi şeyler yapıp,
13:56
We'll actually part the water
346
821000
2000
parayı havadan kapabilmek için,
13:58
to pull money out of the air,
347
823000
2000
suyu ayıracağız.
14:00
because it's a bright future
348
825000
2000
Çünkü eğer bir algoritmaysan,
14:02
if you're an algorithm.
349
827000
2000
bu parlak bir gelecek.
14:04
(Laughter)
350
829000
2000
(Kahkaha)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Ve aslında ilginç olan şey para değil.
14:09
It's what the money motivates,
352
834000
2000
Paranın motive ettiği şey.
14:11
that we're actually terraforming
353
836000
2000
Aslında dünyanın kendisini
14:13
the Earth itself
354
838000
2000
bu tarz algoritmik bir verimle
14:15
with this kind of algorithmic efficiency.
355
840000
2000
dünyalaştırıyoruz.
14:17
And in that light,
356
842000
2000
Ve bunun ışığında
14:19
you go back
357
844000
2000
geri dönüp
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
Michael Najjar'ın fotograflarına bakarsanız,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
bunların metafor değil, kehanet olduğunun farkına varacaksınız.
14:26
They're prophecy
360
851000
2000
Bunlar yaptığımız matematiğin
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
bu çeşit sismik ve karasal
14:32
of the math that we're making.
362
857000
2000
etkilerinin kehaneti.
14:34
And the landscape was always made
363
859000
3000
Ve yeryüzü görüntüsü her zaman
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
insan ve doğanın
14:40
between nature and man.
365
865000
3000
bu garip, sıkıntılı birlikteliğinden ortaya çıkmıştır.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Aama artık üçüncü bir yardımcı-evrimci güç var: algoritmalar --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
'Boston Karıştırıcısı', 'Karnaval'.
14:49
And we will have to understand those as nature,
368
874000
3000
Ve bunları doğa olarak algılamamız gerekecek.
14:52
and in a way, they are.
369
877000
2000
Ve bir şekilde, öyleler.
14:54
Thank you.
370
879000
2000
Teşekkür ederim.
14:56
(Applause)
371
881000
20000
(Alkış)
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