ABOUT THE SPEAKER
Shyam Sankar - Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets.

Why you should listen

Shyam Sankar is a Director at Palantir Technologies, a secretive Silicon Valley company where he oversees deployments of the company's core technology, which helps law enforcement teams and corporations analyze giant, unrelated databases for clues to potential ... anything. Palantir technologies has been used to find missing children, to detect banking fraud, and to uncover the Shadow Network, a cyber-spy ring that stooped so low as to hack the Dalai Lama's email.

As part of his work, Sankar thinks deeply about the place where human and machine intelligence meet. While artificial intelligence (AI) is the dominant paradigm, he is an advocate of JCR Licklider's "intelligence augmentation" (IA) approach, where algorithms and brains work together to solve problems.

More profile about the speaker
Shyam Sankar | Speaker | TED.com
TEDGlobal 2012

Shyam Sankar: The rise of human-computer cooperation

Shyam Sankar: Der Aufbruch der Mensch-Maschine-Kooperation

Filmed:
947,418 views

Rohe Computergewalt alleine kann die Probleme dieser Welt nicht lösen. Datamining Vorreiter Shyam Sankar erklärt warum große Probleme zu lösen (wie Terroristen zu fangen oder verdeckte Trends zu identifizieren) keine Frage des richtigen Algorithmus ist, sondern eher der richtigen symbiotischen Beziehung zwischen Rechenleistung und menschlicher Kreativität.
- Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio

Double-click the English transcript below to play the video.

00:16
I'd like to tell you about two gamesSpiele of chessSchach.
0
512
2556
Ich möchte von zwei Schachspielen erzählen.
00:18
The first happenedpassiert in 1997, in whichwelche GarryGarry KasparovKasparov,
1
3068
3864
Das erste fand 1997 statt: Garry Kasparow,
00:22
a humanMensch, losthat verloren to DeepTief BlueBlau, a machineMaschine.
2
6932
3716
ein Mensch, verlor gegen Deep Blue, eine Maschine.
00:26
To manyviele, this was the dawnDämmerung of a newneu eraEpoche,
3
10648
2240
Für viele war das der Beginn einer neuen Ära,
00:28
one where man would be dominateddominiert by machineMaschine.
4
12888
2779
in der Maschinen herrschen.
00:31
But here we are, 20 yearsJahre on, and the greatestgrößte changeVeränderung
5
15667
3334
Heute ist die größte Veränderung
00:34
in how we relatesich beziehen to computersComputer is the iPadiPad,
6
19001
2690
in unserer Beziehung zu Computern
00:37
not HALHAL.
7
21691
2045
nicht HAL, sondern das iPad.
00:39
The secondzweite gameSpiel was a freestyleFreestyle chessSchach tournamentTurnier
8
23736
2648
Das zweite Spiel war ein Freestyle-Turnier
00:42
in 2005, in whichwelche man and machineMaschine could entereingeben togetherzusammen
9
26384
2969
2005, bei dem Mensch und Maschine
00:45
as partnersPartner, ratherlieber than adversariesGegner, if they so chosewählte.
10
29353
4666
als Partner statt als Gegner spielen konnten.
00:49
At first, the resultsErgebnisse were predictablevorhersagbar.
11
34019
1851
Anfangs waren die Ergebnisse klar.
00:51
Even a supercomputerSupercomputer was beatengeschlagen by a grandmasterGroßmeister
12
35870
2497
Selbst ein Supercomputer
wurde von einem Großmeister
00:54
with a relativelyverhältnismäßig weakschwach laptopLaptop.
13
38367
2312
mit einem einfachen Laptop geschlagen.
00:56
The surpriseüberraschen camekam at the endEnde. Who wongewonnen?
14
40679
2985
Die Überraschung kam zum Schluss.
Wer gewann?
00:59
Not a grandmasterGroßmeister with a supercomputerSupercomputer,
15
43664
2776
Kein Großmeister mit einem Supercomputer,
01:02
but actuallytatsächlich two AmericanAmerikanische amateursAmateure
16
46440
1493
sondern zwei amerikanische Amateure,
01:03
usingmit threedrei relativelyverhältnismäßig weakschwach laptopsLaptops.
17
47933
3822
die drei einfache Laptops benutzten.
01:07
TheirIhre abilityFähigkeit to coachTrainer and manipulatemanipulieren theirihr computersComputer
18
51755
2596
Ihrer Fähigkeit, ihre Computer so auszureizen,
01:10
to deeplytief exploreerforschen specificspezifisch positionsPositionen
19
54351
2435
um bestimmte Stellungen intensiv zu erforschen,
01:12
effectivelyeffektiv counteractedentgegengewirkt the superiorüberlegen chessSchach knowledgeWissen
20
56786
2390
waren weder das Wissen der Großmeister
01:15
of the grandmastersGroßmeister and the superiorüberlegen computationalrechnerisch powerLeistung
21
59176
2609
noch die Rechnerleistung der Supercomputer
01:17
of other adversariesGegner.
22
61785
1909
anderer Gegener gewachsen.
01:19
This is an astonishingerstaunlich resultErgebnis: averagedurchschnittlich menMänner,
23
63694
2905
Ein erstaunliches Ergebnis:
Durchschnittliche Menschen
01:22
averagedurchschnittlich machinesMaschinen beatingPrügel the bestBeste man, the bestBeste machineMaschine.
24
66599
4081
mit durchschnittlicher Technik schlagen
die besten Menschen und die beste Maschine.
01:26
And anywaysSowieso, isn't it supposedsoll to be man versusgegen machineMaschine?
25
70680
3199
Heißt es nicht eigentlich Mensch gegen Maschine?
01:29
InsteadStattdessen, it's about cooperationZusammenarbeit, and the right typeArt of cooperationZusammenarbeit.
26
73879
4152
Stattdessen geht es um die richtige Zusammenarbeit.
01:33
We'veWir haben been payingzahlend a lot of attentionAufmerksamkeit to MarvinMarvin Minsky'sMinsky ist
27
78031
2857
In den letzten 50 Jahren war
große Aufmerksamkeit
01:36
visionVision for artificialkünstlich intelligenceIntelligenz over the last 50 yearsJahre.
28
80888
3242
auf Marvin Minskys Vision
der künstlichen Intelligenz (KI) gerichtet.
01:40
It's a sexysexy visionVision, for sure. ManyViele have embracedumarmt it.
29
84130
2262
Sie wurde zur dominierenden Denkrichtung
in der Informatik.
01:42
It's becomewerden the dominantDominant schoolSchule of thought in computerComputer scienceWissenschaft.
30
86392
2753
Sie wurde zur dominierenden Denkrichtung
in der Informatik.
01:45
But as we entereingeben the eraEpoche of biggroß dataDaten, of networkNetzwerk systemsSysteme,
31
89145
3072
Angesichts der großen Daten,
der Netzwerk-Systeme,
01:48
of openöffnen platformsPlattformen, and embeddedeingebettet technologyTechnologie,
32
92217
2698
Plattformen und eingebetteter Technologie
01:50
I'd like to suggestvorschlagen it's time to reevaluateneu zu bewerten an alternativeAlternative visionVision
33
94915
3392
wird es Zeit, eine andere Vision
wieder zu beleben,
01:54
that was actuallytatsächlich developedentwickelt around the samegleich time.
34
98307
3070
die etwa zur gleichen Zeit entstand.
01:57
I'm talkingim Gespräch about J.C.R. Licklider'sLickliders human-computerMensch-computer symbiosisSymbiose,
35
101377
3332
Ich meine Lickliders Mensch-Maschine-Symbiose
02:00
perhapsvielleicht better termedbezeichnet "intelligenceIntelligenz augmentationAugmentation," I.A.
36
104709
3808
oder "Intelligence Augmentation" (IA).
02:04
LickliderLicklider was a computerComputer scienceWissenschaft titanTitan who had a profoundtiefsinnig
37
108517
2640
Licklider hatte einen großen Einfluss
02:07
effectbewirken on the developmentEntwicklung of technologyTechnologie and the InternetInternet.
38
111157
3006
auf die Entwicklung der Technologie
und das Internet.
02:10
His visionVision was to enableaktivieren man and machineMaschine to cooperatekooperieren
39
114163
2868
Seine Vision war, die Mensch-Computer-Kooperation
02:12
in makingHerstellung decisionsEntscheidungen, controllingControlling complexKomplex situationsSituationen
40
117031
3590
bei Entscheidungen und Kontrolle komplexer Situationen zu ermöglichen
02:16
withoutohne the inflexibleunflexibel dependenceAbhängigkeit
41
120621
1770
ohne jegliche Abhängigkeit von
vorgegebenen Programmen.
02:18
on predeterminedvorgegebenen programsProgramme.
42
122391
2533
ohne jegliche Abhängigkeit von
vorgegebenen Programmen.
02:20
NoteHinweis that wordWort "cooperatekooperieren."
43
124924
2498
Die Betonung liegt auf "kooperieren".
02:23
LickliderLicklider encouragesfördert die us not to take a toasterToaster
44
127422
2747
Er meinte nicht, einen Toaster zu benutzen,
02:26
and make it DataDaten from "StarSterne TrekTrek,"
45
130169
2284
um Daten von "Star Trek" zu generieren,
02:28
but to take a humanMensch and make her more capablefähig.
46
132453
3535
sondern Menschen leistungsfähiger zu machen.
02:31
HumansMenschen are so amazingtolle -- how we think,
47
135988
1911
Der Mensch ist unglaublich – wie er denkt,
02:33
our non-linearnicht-lineare approachesAnsätze, our creativityKreativität,
48
137899
2618
seine nichtlinearen Gedankengänge, Kreativität,
– all das kann ein Computer
02:36
iterativeiterative hypothesesHypothesen, all very difficultschwer if possiblemöglich at all
49
140517
2131
seine nichtlinearen Gedankengänge, Kreativität,
– all das kann ein Computer
02:38
for computersComputer to do.
50
142648
1345
nur mit großen Schwierigkeiten.
02:39
LickliderLicklider intuitivelyintuitiv realizedrealisiert this, contemplatingbetrachten humansMenschen
51
143993
2452
Licklider erkannte das intuitiv, während er Menschen
02:42
settingRahmen the goalsTore, formulatingFormulierung von the hypothesesHypothesen,
52
146445
2327
bei der Formulierung von Zielen und Hypothesen
02:44
determiningBestimmen the criteriaKriterien, and performingAufführung the evaluationBewertung.
53
148772
3376
und der Auswertung von Erhebungen beobachtete.
02:48
Of courseKurs, in other waysWege, humansMenschen are so limitedbegrenzt.
54
152148
1775
Natürlich sind Menschen andererseits begrenzt.
02:49
We're terriblefurchtbar at scaleRahmen, computationBerechnung and volumeVolumen.
55
153923
3235
Wir machen Fehler bei Maßstab,
Berechnungen und Umfang.
02:53
We requireerfordern high-endHigh-End talentTalent managementManagement
56
157158
1836
Wir benötigen ein talentiertes Management,
02:54
to keep the rockRock bandBand togetherzusammen and playingspielen.
57
158994
2064
um Rockbands zum Spielen zu bringen
02:56
LickliderLicklider foresawsah computersComputer doing all the routinizablekönnen work
58
161058
2204
Licklider erkannte, Computer können
die notwendige Routinearbeit tun,
02:59
that was requirederforderlich to preparevorbereiten the way for insightsEinblicke and decisionEntscheidung makingHerstellung.
59
163262
3276
um Einsichten und
Entscheidungen vorzubereiten.
03:02
SilentlyIm Hintergrund, withoutohne much fanfareFanfare,
60
166538
2224
um Einsichten und
Entscheidungen vorzubereiten.
03:04
this approachAnsatz has been compilingKompilieren victoriesSiege beyonddarüber hinaus chessSchach.
61
168762
3354
Dieser Ansatz ist nicht nur im Schach sehr erfolgreich.
03:08
ProteinProtein foldingFaltung, a topicThema that sharesAnteile the incredibleunglaublich expansivenessweite of chessSchach
62
172116
3356
Proteinfaltung ist wie ein Schachspiel:
03:11
there are more waysWege of foldingFaltung a proteinEiweiß than there are atomsAtome in the universeUniversum.
63
175472
3042
es gibt zahllose Möglichkeiten,
ein Protein zu falten.
03:14
This is a world-changingWeltverändernd problemProblem with hugeenorm implicationsImplikationen
64
178514
2353
Dies ist ein Problem
mit großen Auswirkungen
03:16
for our abilityFähigkeit to understandverstehen and treatbehandeln diseaseKrankheit.
65
180867
2308
auf unsere Fähigkeit,
Krankheiten zu behandeln.
03:19
And for this taskAufgabe, supercomputerSupercomputer fieldFeld bruteBrute forceKraft simplyeinfach isn't enoughgenug.
66
183175
4248
Die rohe Gewalt eines Computers ist nicht genug.
03:23
FolditFoldit, a gameSpiel createderstellt by computerComputer scientistsWissenschaftler,
67
187423
2384
Foldit, ein Wissenschaftsspiel,
03:25
illustrateszeigt the valueWert of the approachAnsatz.
68
189807
2502
illustriert den Wert dieses Ansatzes.
03:28
Non-technicalNicht-technische, non-biologistnicht-Biologe amateursAmateure playspielen a videoVideo gameSpiel
69
192309
3041
Amateure müssen die Struktur eines Proteins
03:31
in whichwelche they visuallyvisuell rearrangeneu anordnen the structureStruktur of the proteinEiweiß,
70
195350
3073
visuell neu ordnen,
während sie dem Computer
03:34
allowingZulassen the computerComputer to manageverwalten the atomicatomar forcesKräfte
71
198423
1499
erlauben, die atomaren Kräfte und
03:35
and interactionsWechselwirkungen and identifyidentifizieren structuralstrukturell issuesProbleme.
72
199922
2957
Wechselwirkungen zu verwalten
und Probleme zu identifizieren.
03:38
This approachAnsatz beatschlagen supercomputersSupercomputer 50 percentProzent of the time
73
202879
3023
Dieser Ansatz übertraf
in 50 % der Fälle die Supercomputer
03:41
and tiedgebunden 30 percentProzent of the time.
74
205902
2584
und war in 30 % der Fälle gleichwertig.
03:44
FolditFoldit recentlyvor kurzem madegemacht a notablebemerkenswert and majorHaupt scientificwissenschaftlich discoveryEntdeckung
75
208486
3137
Foldit machte kürzlich eine große Entdeckung
03:47
by decipheringEntschlüsselung the structureStruktur of the Mason-PfizerMason-Pfizer monkeyAffe virusVirus.
76
211623
3160
bei der Entzifferung
des Mason-Pfizer-Affen-Virus.
03:50
A proteaseProtease that had eludedentzog sich determinationEntschlossenheit for over 10 yearsJahre
77
214783
3015
Eine Protease, die der Bestimmung über 10 Jahre auswich,
03:53
was solvedgelöst was by threedrei playersSpieler in a matterAngelegenheit of daysTage,
78
217798
2626
wurde von drei Spielern
in ein paar Tagen gelöst,
03:56
perhapsvielleicht the first majorHaupt scientificwissenschaftlich advanceVoraus
79
220424
2025
vielleicht der erste bedeutende Fortschritt,
03:58
to come from playingspielen a videoVideo gameSpiel.
80
222449
2323
der aus einem Videospiel hervorging.
04:00
Last yearJahr, on the siteStandort of the TwinTwin TowersTürme,
81
224772
2181
Letztes Jahr wurde
die 9/11-Gedenkstätte eröffnet.
04:02
the 9/11 memorialDenkmal openedgeöffnet.
82
226953
1473
Letztes Jahr wurde
die 9/11-Gedenkstätte eröffnet.
04:04
It displayszeigt an the namesNamen of the thousandsTausende of victimsdie Opfer
83
228426
2721
Es zeigt die Namen tausender Opfer
und nutzt
04:07
usingmit a beautifulschön conceptKonzept callednamens "meaningfulsinnvoll adjacencyNachbarschaft."
84
231147
3063
das schöne Konzept "bedeutungsvoller Nähe".
04:10
It placessetzt the namesNamen nextNächster to eachjede einzelne other basedbasierend on theirihr
85
234210
2166
Es platziert die Namen in Relation zu Beziehungen:
04:12
relationshipsBeziehungen to one anotherein anderer: friendsFreunde, familiesFamilien, coworkersMitarbeiter.
86
236376
2213
Freunde, Familien, Kollegen.
04:14
When you put it all togetherzusammen, it's quiteganz a computationalrechnerisch
87
238589
3028
Eine riesige technische Herausforderung
04:17
challengeHerausforderung: 3,500 victimsdie Opfer, 1,800 adjacencyNachbarschaft requestsAnfragen,
88
241617
4223
3.500 Opfer, 1.800 Nähe-Anfragen,
04:21
the importanceBedeutung of the overallinsgesamt physicalphysisch specificationsTechnische Daten
89
245840
3092
die Wichtigkeit der physischen Spezifikationen
04:24
and the finalFinale aestheticsÄsthetik.
90
248932
2137
und das endgültige Aussehen.
04:26
When first reportedberichtet by the mediaMedien, fullvoll creditKredit for sucheine solche a featKunststück
91
251069
2615
Zuerst wurde diese Leistung
04:29
was givengegeben to an algorithmAlgorithmus from the NewNeu YorkYork CityStadt
92
253684
1892
dem Algorithmus der New Yorker Designfirma
04:31
designEntwurf firmFirma LocalLokale ProjectsProjekte. The truthWahrheit is a bitBit more nuancednuanciert.
93
255576
4001
Local Projects zugesprochen.
Die Wahrheit ist komplexer.
04:35
While an algorithmAlgorithmus was used to developentwickeln the underlyingzugrunde liegenden frameworkRahmen,
94
259577
2871
Ein Algorithmus wurde verwendet,
um das Bezugssystem zu entwickeln,
04:38
humansMenschen used that frameworkRahmen to designEntwurf the finalFinale resultErgebnis.
95
262448
3008
Menschen nutzten dieses System,
um die Endergebnisse zu gestalten.
04:41
So in this caseFall, a computerComputer had evaluatedbewertet millionsMillionen
96
265456
2225
In diesem Fall hat der Computer
also Millionen möglicher
04:43
of possiblemöglich layoutsLayouts, managedgelang es a complexKomplex relationalrelationale systemSystem,
97
267681
3335
Anordnungen berechnet,
ein komplexes Beziehungssystem bearbeitet
04:46
and keptgehalten trackSpur of a very largegroß setSet of measurementsMessungen
98
271016
2414
und eine große Anzahl
von Meßwerten und Variablen
04:49
and variablesVariablen, allowingZulassen the humansMenschen to focusFokus
99
273430
2410
berücksichtigt, was den Menschen ermöglichte,
04:51
on designEntwurf and compositionalkompositorische choicesAuswahlmöglichkeiten.
100
275840
2802
sich auf Design- und
Kompositionsfragen zu fokussieren.
04:54
So the more you look around you,
101
278642
1036
Je mehr man sich umschaut,
04:55
the more you see Licklider'sLickliders visionVision everywhereüberall.
102
279678
1962
desto mehr sieht man Lickliders Vision.
04:57
WhetherOb it's augmentederweitert realityWirklichkeit in your iPhoneiPhone or GPSGPS in your carAuto,
103
281640
3304
Ob Augmented Reality in Ihrem iPhone oder GPS,
05:00
human-computerMensch-computer symbiosisSymbiose is makingHerstellung us more capablefähig.
104
284944
2970
Mensch-Computer-Symbiose macht uns leistungsfähiger.
05:03
So if you want to improveverbessern human-computerMensch-computer symbiosisSymbiose,
105
287914
1655
Was kann man tun, um diese Symbiose
05:05
what can you do?
106
289569
1429
zu verbessern?
05:06
You can startAnfang by designingEntwerfen the humanMensch into the processverarbeiten.
107
290998
2452
Man kann den Mensch
in den Prozess designen.
05:09
InsteadStattdessen of thinkingDenken about what a computerComputer will do to solvelösen the problemProblem,
108
293450
2204
Anstatt zu denken, wie Computer
das Problem lösen wird,
05:11
designEntwurf the solutionLösung around what the humanMensch will do as well.
109
295654
3869
entwirft man die Lösung
um die Möglichkeiten des Menschen.
05:15
When you do this, you'lldu wirst quicklyschnell realizerealisieren that you spentverbraucht
110
299523
1937
Es wird schnell klar,
dass man seine ganze Zeit
05:17
all of your time on the interfaceSchnittstelle betweenzwischen man and machineMaschine,
111
301460
2879
in die Schnittstelle zwischen
Mensch und Maschine investiert,
05:20
specificallyspeziell on designingEntwerfen away the frictionReibung in the interactionInteraktion.
112
304339
3099
insbesondere, um die Reibung
in der Interaktion zu umgehen.
05:23
In factTatsache, this frictionReibung is more importantwichtig than the powerLeistung
113
307438
2766
Tatsächlich ist diese Reibung wichtiger als
05:26
of the man or the powerLeistung of the machineMaschine
114
310204
2052
die Leistung des Menschen oder der Maschine
05:28
in determiningBestimmen overallinsgesamt capabilityFähigkeit.
115
312256
1931
für die Bestimmung der Leistungsfähigkeit.
05:30
That's why two amateursAmateure with a fewwenige laptopsLaptops
116
314187
1977
Daher konnten zwei Amateure mit Laptops
05:32
handilyhandlich beatschlagen a supercomputerSupercomputer and a grandmasterGroßmeister.
117
316164
2456
einfach das Duo Supercomputer-Großmeister schlagen.
05:34
What KasparovKasparov callsAnrufe processverarbeiten is a byproductNebenprodukt of frictionReibung.
118
318620
3005
Kasparow sagt, Prozess sei
ein Nebenprodukt der Reibung.
05:37
The better the processverarbeiten, the lessWeniger the frictionReibung.
119
321625
2401
Je besser der Prozess,
desto weniger Reibungsverlust.
05:39
And minimizingMinimierung der frictionReibung turnswendet sich out to be the decisiveentscheidend variableVariable.
120
324026
4256
Die Minimierung der Reibung
ist die entscheidende Variable.
05:44
Or take anotherein anderer exampleBeispiel: biggroß dataDaten.
121
328282
2243
Oder ein anderes Beispiel: große Datenmengen.
05:46
EveryJedes interactionInteraktion we have in the worldWelt is recordedverzeichnet
122
330525
1906
Jede Interaktion wird von
05:48
by an ever growingwachsend arrayArray of sensorsSensoren: your phoneTelefon,
123
332431
3059
immer mehr Sensoren aufgezeichnet: Ihr Telefon,
05:51
your creditKredit cardKarte, your computerComputer. The resultErgebnis is biggroß dataDaten,
124
335490
2373
Ihre Kreditkarte, Ihr Computer.
Es sind viele Daten
05:53
and it actuallytatsächlich presentsdie Geschenke us with an opportunityGelegenheit
125
337863
1742
und wir bekommen dadurch die Gelegenheit,
05:55
to more deeplytief understandverstehen the humanMensch conditionBedingung.
126
339605
2662
unser Dasein genauer zu verstehen.
05:58
The majorHaupt emphasisBetonung of mostdie meisten approachesAnsätze to biggroß dataDaten
127
342267
2305
Der Schwerpunkt der meisten Ansätze bei Datenmengen
06:00
focusFokus on, "How do I storeGeschäft this dataDaten? How do I searchSuche
128
344572
2215
besteht in: "Wie kann ich diese Daten speichern,
durchsuchen und verarbeiten?
06:02
this dataDaten? How do I processverarbeiten this dataDaten?"
129
346787
2276
besteht in: "Wie kann ich diese Daten speichern,
durchsuchen und verarbeiten?
06:04
These are necessarynotwendig but insufficientunzureichende questionsFragen.
130
349063
2204
Notwendige, aber unzureichende Fragen.
06:07
The imperativeImperativ is not to figureZahl out how to computeberechnen,
131
351267
2471
Entscheidend ist nicht nur
zu wissen "wie",
06:09
but what to computeberechnen. How do you imposezu verhängen humanMensch intuitionIntuition
132
353738
2184
sondern "was" man berechnet.
Wie ist unsere Intuition
06:11
on dataDaten at this scaleRahmen?
133
355922
1791
in Daten dieser Größenordnung zu bringen?
06:13
Again, we startAnfang by designingEntwerfen the humanMensch into the processverarbeiten.
134
357713
3499
Wir fangen an, das Menschliche
in dem Prozess zu gestalten.
06:17
When PayPalPayPal was first startingbeginnend as a businessGeschäft, theirihr biggestgrößte
135
361212
2812
Wenn PayPal anfing, war
ihre größte Herausforderung nicht,
06:19
challengeHerausforderung was not, "How do I sendsenden moneyGeld back and forthher onlineonline?"
136
364024
2804
wie man Geld online hin- und herschickt.
06:22
It was, "How do I do that withoutohne beingSein defraudedbetrogen by organizedorganisiert crimeKriminalität?"
137
366828
3872
Es war, wie man es macht,
ohne betrogen zu werden.
06:26
Why so challengingherausfordernd? Because while computersComputer can learnlernen
138
370700
2088
Warum ist das so schwierig?
Obwohl Computer lernen können,
06:28
to detecterkennen and identifyidentifizieren fraudBetrug basedbasierend on patternsMuster,
139
372788
3144
Betrug nach Mustern zu erkennen,
06:31
they can't learnlernen to do that basedbasierend on patternsMuster
140
375932
1479
können sie das nicht
anhand von Mustern lernen,
06:33
they'veSie haben never seengesehen before, and organizedorganisiert crimeKriminalität
141
377411
2116
die sie noch nie gesehen haben;
die organisierte Kriminalität
06:35
has a lot in commonverbreitet with this audiencePublikum: brilliantGenial people,
142
379527
2709
hat viel mit diesem Publikum gemeinsam: geniale Leute,
06:38
relentlesslyunerbittlich resourcefulreich an Hilfsquellen, entrepreneurialunternehmerische spiritGeist — (LaughterLachen) —
143
382236
3640
sehr kompetent und mit Unternehmergeist
(Gelächter) –
06:41
and one hugeenorm and importantwichtig differenceUnterschied: purposeZweck.
144
385876
2712
und mit einem Unterschied: die Absicht.
06:44
And so while computersComputer aloneallein can catchFang all but the cleverestklügsten
145
388588
2832
Computer erwischen alle außer die Schlausten.
06:47
fraudstersBetrüger, catchingfangend the cleverestklügsten is the differenceUnterschied
146
391420
2253
Das Fangen der Cleversten macht den Unterschied
06:49
betweenzwischen successErfolg and failureFehler.
147
393673
2545
zwischen Erfolg und Niederlage.
06:52
There's a wholeganze classKlasse of problemsProbleme like this, onesEinsen with
148
396218
2221
Es gibt eine Reihe solcher Probleme, manche mit
06:54
adaptiveadaptiv adversariesGegner. They rarelynur selten if ever presentGeschenk with a
149
398439
2575
lernfähigen Gegnern.
Sie zeigen sich selten
06:56
repeatablewiederholbare patternMuster that's discernableerkennbare to computersComputer.
150
401014
2736
mit einem reproduzierbaren Muster,
das man erkennen kann.
06:59
InsteadStattdessen, there's some inherentinhärent componentKomponente of innovationInnovation or disruptionStörung,
151
403750
3993
Stattdessen werden mit innewohnender
Innovation und Störungen
07:03
and increasinglyzunehmend these problemsProbleme are buriedbegraben in biggroß dataDaten.
152
407743
2735
diese Probleme unter Datenmengen begraben.
07:06
For exampleBeispiel, terrorismTerrorismus. TerroristsTerroristen are always adaptingAnpassung
153
410478
2500
Z.B. Terrorismus. Terroristen passen sich immer
07:08
in minorgeringer and majorHaupt waysWege to newneu circumstancesUmstände, and despiteTrotz
154
412978
2052
den neuen Bedingungen an und trotz allem
07:10
what you mightMacht see on TVTV, these adaptationsAnpassungen,
155
415030
3094
was Sie im Fernsehen sehen,
sind diese Anpassungen
07:14
and the detectionErkennung of them, are fundamentallygrundlegend humanMensch.
156
418124
2293
und ihre Erkennung im Wesentlichen menschlich.
07:16
ComputersComputer don't detecterkennen novelRoman patternsMuster and newneu behaviorsVerhaltensweisen,
157
420417
3117
Computer erkennen keine
neuen Muster und Verhaltensweisen,
07:19
but humansMenschen do. HumansMenschen, usingmit technologyTechnologie, testingtesten hypothesesHypothesen,
158
423534
3235
aber Menschen schon –
wir nutzen Technologie, testen Hypothesen,
07:22
searchingSuche for insightEinblick by askingfragen machinesMaschinen to do things for them.
159
426769
4620
und suchen nach Erkenntnissen,
indem wir Maschinen Aufgaben geben.
07:27
OsamaOsama binBehälter LadenBeladen was not caughterwischt by artificialkünstlich intelligenceIntelligenz.
160
431389
2320
Bin Laden wurde nicht von KI erwischt.
07:29
He was caughterwischt by dedicatedgewidmet, resourcefulreich an Hilfsquellen, brilliantGenial people
161
433709
2553
Er wurde von engagierten, kompetenten Menschen
07:32
in partnershipsPartnerschaften with variousverschiedene technologiesTechnologien.
162
436262
4269
gefangen, die bestimmte Technologien verwendeten.
07:36
As appealingansprechende as it mightMacht soundklingen, you cannotnicht können algorithmicallyalgorithmisch
163
440531
2818
Egal wie reizvoll das klingt, man kann nicht
07:39
dataDaten mineBergwerk your way to the answerAntworten.
164
443349
1601
durch Analysieren von Daten zur Antwort kommen.
07:40
There is no "Find TerroristTerrorist" buttonTaste, and the more dataDaten
165
444950
2855
Es gibt keinen "Finde den Terrorist"-Knopf. Je mehr Daten
07:43
we integrateintegrieren from a vastriesig varietyVielfalt of sourcesQuellen
166
447805
2302
wir aus einer Vielzahl an Quellen integrieren
07:46
acrossüber a widebreit varietyVielfalt of dataDaten formatsFormate from very
167
450107
2133
mit einer großen Bandbreite
an Datenformaten, von sehr
07:48
disparatedisparat systemsSysteme, the lessWeniger effectiveWirksam dataDaten miningBergbau can be.
168
452240
3309
ungleichen Systemen, desto
weniger effektiv ist Datenanalyse.
07:51
InsteadStattdessen, people will have to look at dataDaten
169
455549
2024
Stattdessen werden Menschen
die Daten untersuchen müssen
07:53
and searchSuche for insightEinblick, and as LickliderLicklider foresawsah long agovor,
170
457573
3456
und nach der Erkenntnis suchen müssen.
Wie Licklider vorhersah, die richtige Kooperation
07:56
the keySchlüssel to great resultsErgebnisse here is the right typeArt of cooperationZusammenarbeit,
171
461029
2685
ist der Schlüssel für hervorragende Ergebnisse
07:59
and as KasparovKasparov realizedrealisiert,
172
463714
1524
und wie Kasparow erkannte,
08:01
that meansmeint minimizingMinimierung der frictionReibung at the interfaceSchnittstelle.
173
465238
3031
bedeutete das, den Reibungsverlust
an der Schnittstelle zu minimieren.
08:04
Now this approachAnsatz makesmacht possiblemöglich things like combingKämmen
174
468269
2758
Dieser Ansatz ermöglicht jetzt Dinge wie alle
08:06
throughdurch all availableverfügbar dataDaten from very differentanders sourcesQuellen,
175
471027
3386
verfügbaren Daten der unterschiedlichen
Quellen zu durchkämmen,
08:10
identifyingIdentifizierung von keySchlüssel relationshipsBeziehungen and puttingPutten them in one placeOrt,
176
474413
2792
um Schlüsselbeziehungen zu identifizieren
und sie zu sammeln,
08:13
something that's been nearlyfast impossibleunmöglich to do before.
177
477205
2928
etwas das vorher nahezu unmöglich war.
08:16
To some, this has terrifyingschrecklich privacyDatenschutz and civilbürgerlich libertiesFreiheiten
178
480133
1942
Für einige hat dies furchteinflößende Auswirkungen
auf private und bürgerliche Rechte.
08:17
implicationsImplikationen. To othersAndere it foretellsprophezeit of an eraEpoche of greatergrößer
179
482075
3410
Für einige hat dies furchteinflössende Auswirkungen
auf private und bürgerliche Rechte.
08:21
privacyDatenschutz and civilbürgerlich libertiesFreiheiten protectionsSchutz,
180
485485
1909
Für andere ist es eine Ära von stärkerem
privatem und gesellschaftlichem Schutz.
08:23
but privacyDatenschutz and civilbürgerlich libertiesFreiheiten are of fundamentalgrundlegend importanceBedeutung.
181
487394
2936
Für andere ist es eine Ära von stärkerem
privatem und gesellschaftlichem Schutz.
08:26
That mustsollen be acknowledgedanerkannt, and they can't be sweptgefegt asidebeiseite,
182
490330
2193
Aber diese Rechte sind von fundamentaler Bedeutung.
08:28
even with the bestBeste of intentsAbsichten.
183
492523
2530
Man kann das nicht einfach bei Seite wischen.
08:30
So let's exploreerforschen, throughdurch a couplePaar of examplesBeispiele, the impactEinfluss
184
495053
2518
Also lasst uns die Auswirkungen untersuchen,
08:33
that technologiesTechnologien builtgebaut to driveFahrt human-computerMensch-computer symbiosisSymbiose
185
497571
2406
die Technologien zum Betrieb
von Mensch-Maschine-Symbiosen
08:35
have had in recentkürzlich time.
186
499977
2919
in jüngster Zeit gehabt haben.
08:38
In OctoberOktober, 2007, U.S. and coalitionKoalition forcesKräfte raidedüberfallen
187
502896
3416
Im Oktober 2007 haben US- und Koalitionsstreitkräfte
08:42
an alal QaedaQaida safeSafe houseHaus in the cityStadt of SinjarSinjar
188
506312
2416
ein sicheres Al-Qaida Haus in der Stadt Sinjar
08:44
on the SyrianSyrische borderRand of IraqIrak.
189
508728
1934
an der Grenze zu Syrien und Irak gestürmt.
08:46
They foundgefunden a treasureSchatz troveFundgrube of documentsUnterlagen:
190
510662
2376
Sie fanden eine Fundgrube von Dokumenten:
08:48
700 biographicalbiographische sketchesSkizzen of foreignausländisch fightersKämpfer.
191
513038
2335
700 biografische Skizzen ausländischer Kämpfer.
08:51
These foreignausländisch fightersKämpfer had left theirihr familiesFamilien in the GulfGolf,
192
515373
2584
SIe hatten ihre Familien im Golf, der Levante
08:53
the LevantLevante and NorthNorden AfricaAfrika to joinbeitreten alal QaedaQaida in IraqIrak.
193
517957
3146
und Nordafrika zurück gelassen,
um sich Al-Qaida im Irak anzuschließen.
08:57
These recordsAufzeichnungen were humanMensch resourceRessource formsFormen.
194
521103
1616
Diese Aufzeichnungen waren menschliche Bezugsformate.
08:58
The foreignausländisch fightersKämpfer filledgefüllt them out as they joinedbeigetreten the organizationOrganisation.
195
522719
2855
Die Kämpfer füllten sie aus,
als sie der Organisation beitraten.
09:01
It turnswendet sich out that alal QaedaQaida, too,
196
525574
1211
Es zeigt sich, dass auch Al-Qaida
09:02
is not withoutohne its bureaucracyBürokratie. (LaughterLachen)
197
526785
2597
nicht ohne Bürokratie auskam.
(Gelächter)
09:05
They answeredantwortete questionsFragen like, "Who recruitedrekrutiert you?"
198
529382
2098
Fragen wie: "Wer hat dich rekrutiert?",
09:07
"What's your hometownHeimatort?" "What occupationBesetzung do you seeksuchen?"
199
531480
2854
"Was ist deine Heimatstadt?",
"Welche Tätigkeit suchst du?"
09:10
In that last questionFrage, a surprisingüberraschend insightEinblick was revealedenthüllt.
200
534334
3169
Die letztere verrät einen überraschenden Einblick.
09:13
The vastriesig majorityMehrheit of foreignausländisch fightersKämpfer
201
537503
2400
Die große Mehrheit wollte
09:15
were seekingSuche to becomewerden suicideSelbstmord bombersBomber for martyrdomMartyrium --
202
539903
2400
Selbstmordattentäter werden –
09:18
hugelyenorm importantwichtig, sinceschon seit betweenzwischen 2003 and 2007, IraqIrak
203
542303
4338
sehr wichtig, denn zwischen
2003 und 2007 gab es im Irak
09:22
had 1,382 suicideSelbstmord bombingsBombenanschläge, a majorHaupt sourceQuelle of instabilityInstabilität.
204
546641
4244
1.382 Selbstmordattentate,
eine Hauptursache für Instabilität.
09:26
AnalyzingAnalyse this dataDaten was hardhart. The originalsOriginale were sheetsBlätter
205
550885
2058
Die Analyse dieser Daten war schwierig.
Die Originale waren
09:28
of paperPapier- in ArabicArabisch that had to be scannedgescannt and translatedübersetzt.
206
552943
2742
auf Arabisch, die eingescannt
und übersetzt werden mussten.
09:31
The frictionReibung in the processverarbeiten did not allowzulassen for meaningfulsinnvoll
207
555685
2192
Der Reibungsverlust in diesem Prozess
hätte keine bedeutenden
09:33
resultsErgebnisse in an operationalbetriebs time frameRahmen usingmit humansMenschen, PDFsPDF-Dateien
208
557877
3350
Ergebnisse innerhalb des operativen Zeitrahmens ermöglicht,
09:37
and tenacityHartnäckigkeit aloneallein.
209
561227
2218
wenn nur Menschen, PDFs und
Beharrlichkeit genutzt worden wären.
09:39
The researchersForscher had to leverHebel up theirihr humanMensch mindsKöpfe
210
563445
1953
Die Forscher mussten ihren menschlichen Verstand um
09:41
with technologyTechnologie to divetauchen deeperTiefer, to exploreerforschen non-obviousnicht offensichtliche
211
565398
2345
Technologie ergänzen, um tiefer
einzutauchen, um nicht offensichtliche
09:43
hypothesesHypothesen, and in factTatsache, insightsEinblicke emergedaufgetaucht.
212
567743
3218
Hypothesen zu erforschen und
es ergaben sich tatsächlich Erkenntnisse.
09:46
TwentyZwanzig percentProzent of the foreignausländisch fightersKämpfer were from LibyaLibyen,
213
570961
2644
20 % der ausländischen Kämpfer waren aus Libyen,
09:49
50 percentProzent of those from a singleSingle townStadt in LibyaLibyen,
214
573605
2968
50 % davon stammten aus derselben Stadt,
09:52
hugelyenorm importantwichtig sinceschon seit priorvorher statisticsStatistiken put that figureZahl at
215
576573
2450
enorm wichtig, da frühere Statistiken diesen Anteil mit
09:54
threedrei percentProzent. It alsoebenfalls helpedhalf to honeHone in on a figureZahl
216
579023
2383
3 % angaben. Es half auch dabei,
sich auf eine Person
09:57
of risingsteigend importanceBedeutung in alal QaedaQaida, AbuAbu YahyaYahya al-Libial-Libi,
217
581406
2977
von zunehmender Bedeutung
zu konzentrieren, Abu Yahya al-Libi,
10:00
a seniorSenior clericKleriker in the LibyanLibysche IslamicIslamische fightingKampf groupGruppe.
218
584383
2631
ein hochrangiger Geistlicher innerhalb
der libyschen islamischen Kampfgruppe.
10:02
In MarchMärz of 2007, he gavegab a speechRede, after whichwelche there was
219
587014
2664
Im März 2007 hielt er eine Rede, nach der es einen
10:05
a surgeÜberspannungsschutz in participationBeteiligung amongstunter LibyanLibysche foreignausländisch fightersKämpfer.
220
589678
3466
Beteiligungsanstieg unter
libyschen ausländischen Kämpfern gab.
10:09
PerhapsVielleicht mostdie meisten cleverklug of all, thoughobwohl, and leastam wenigsten obviousoffensichtlich,
221
593144
3106
Vielleicht am cleversten und wenig offensichtlich,
10:12
by flippingspiegeln the dataDaten on its headKopf, the researchersForscher were
222
596250
2073
dadurch, dass die Daten auf den Kopf
gestellt werden, sind die Forscher in der Lage,
10:14
ablefähig to deeplytief exploreerforschen the coordinationKoordinierung networksNetzwerke in SyriaSyrien
223
598323
2900
die Koordinierungsnetzwerke
in Syrien zu erforschen,
10:17
that were ultimatelyletzten Endes responsibleverantwortlich for receivingEmpfang and
224
601223
2517
diese waren letztlich dafür
verantwortlich, die ausländischen
10:19
transportingden Transport von the foreignausländisch fightersKämpfer to the borderRand.
225
603740
2464
Kämpfer aufzunehmen und
zur Grenze zu transportieren.
10:22
These were networksNetzwerke of mercenariesSöldner, not ideologuesIdeologen,
226
606204
2633
Das waren Netzwerke von Söldnern,
nicht von Ideologien,
10:24
who were in the coordinationKoordinierung businessGeschäft for profitprofitieren.
227
608837
2398
sie waren wegen des Profits
im Koordinierungsnetzwerk.
10:27
For exampleBeispiel, they chargedberechnet SaudiSaudi foreignausländisch fightersKämpfer
228
611235
1904
Sie berechneten zum Beispiel
den saudischen ausländischen Kämpfern
10:29
substantiallyim Wesentlichen more than LibyansLibyer, moneyGeld that would have
229
613139
2199
wesentlich mehr als den Libyern,
Geld das ansonsten
10:31
otherwiseAndernfalls goneWeg to alal QaedaQaida.
230
615338
2320
an Al-Qaida gegangen wäre.
10:33
PerhapsVielleicht the adversaryWidersacher would disruptstören theirihr ownbesitzen networkNetzwerk
231
617658
2045
Vielleicht würde der Gegner
das eigene Netzwerk zerstören,
10:35
if they knewwusste they cheatingbetrügen would-beMöchtegern jihadistsDschihadisten.
232
619703
3035
wenn sie wüssten, dass sie von angeblichen
Dschihadisten betrogen werden.
10:38
In JanuaryJanuar, 2010, a devastatingverheerend 7.0 earthquakeErdbeben struckgeschlagen HaitiHaiti,
233
622738
3745
Im Januar 2010 traf ein verheerendes Erdbeben Haiti,
10:42
thirddritte deadliesttödlichste earthquakeErdbeben of all time, left one millionMillion people,
234
626483
2916
das dritttödlichste Erdbeben aller Zeiten,
eine Million Menschen,
10:45
10 percentProzent of the populationBevölkerung, homelessObdachlose.
235
629399
2584
10 Prozent der Bevölkerung wurden obdachlos.
10:47
One seeminglyscheinbar smallklein aspectAspekt of the overallinsgesamt reliefLinderung effortAnstrengung
236
631983
3137
Ein anscheinend kleiner Aspekt
der allgemeinen Hilfsmaßnahmen
10:51
becamewurde increasinglyzunehmend importantwichtig as the deliveryLieferung of foodLebensmittel
237
635120
2176
wurde immer wichtiger
als die Ausgabe von Essen
10:53
and waterWasser startedhat angefangen rollingrollend.
238
637296
2160
und Wasser ins Rollen kam.
10:55
JanuaryJanuar and FebruaryFebruar are the drytrocken monthsMonate in HaitiHaiti,
239
639456
1458
Januar und Februar sind in Haiti trocken,
10:56
yetnoch manyviele of the campsLager had developedentwickelt standingStehen waterWasser.
240
640914
2942
dennoch hatte sich in einigen Camps
stehendes Wasser gebildet.
10:59
The only institutionInstitution with detailedAusführliche knowledgeWissen of Haiti'sHaitis
241
643856
2122
Die einzige Einrichtung
mit detailliertem Wissen über Haitis
11:01
floodplainsAuen had been leveleddem Erdboden gleichgemacht
242
645978
1297
Überschwemmungsgebiete wurde
11:03
in the earthquakeErdbeben, leadershipFührung insideinnen.
243
647275
3008
beim Erdbeben plattgemacht,
Führungspersonen inklusive.
11:06
So the questionFrage is, whichwelche campsLager are at riskRisiko,
244
650283
2575
Die Frage ist also,
welche Camps gefährdet sind,
11:08
how manyviele people are in these campsLager, what's the
245
652858
1921
wie viele Menschen in
diesen Camps sind, was der
11:10
timelineTimeline for floodingÜberschwemmung, and givengegeben very limitedbegrenzt resourcesRessourcen
246
654779
2311
Zeitrahmen des Flutens ist und,
wegen der begrenzten Ressourcen
11:12
and infrastructureInfrastruktur, how do we prioritizepriorisieren the relocationUmzug?
247
657090
3384
und der Infrastruktur,
wie priorisieren wir die Umverteilung?
11:16
The dataDaten was incrediblyunglaublich disparatedisparat. The U.S. ArmyArmee had
248
660474
2344
Die Daten waren unglaublich ungleich.
Das US-Militär verfügte
11:18
detailedAusführliche knowledgeWissen for only a smallklein sectionAbschnitt of the countryLand.
249
662818
2929
über detailliertes Wissen über
einen kleinen Bereich des Landes.
11:21
There was dataDaten onlineonline from a 2006 environmentalUmwelt riskRisiko
250
665747
2511
Es waren Daten online verfügbar
von einer Umweltrisiko-Konferenz
11:24
conferenceKonferenz, other geospatialGeospatial dataDaten, nonekeiner of it integratedintegriert.
251
668258
2664
von 2006, andere raumbezogene Daten,
keine davon integriert.
11:26
The humanMensch goalTor here was to identifyidentifizieren campsLager for relocationUmzug
252
670922
2958
Das menschliche Ziel war hier,
Camps für Umsiedlung zu identifizieren,
11:29
basedbasierend on priorityPriorität need.
253
673880
2395
basierend auf vorrangigem Bedarf.
11:32
The computerComputer had to integrateintegrieren a vastriesig amountMenge of geospacialGeospatial
254
676275
2440
Der Computer musste eine große Menge
an raumbezogener
11:34
informationInformation, socialSozial mediaMedien dataDaten and reliefLinderung organizationOrganisation
255
678715
2584
Information integrieren,
Social Media-Daten und Informationen
11:37
informationInformation to answerAntworten this questionFrage.
256
681299
3480
der Hilfsorganisationen,
um diese Frage zu beantworten.
11:40
By implementingimplementierend a superiorüberlegen processverarbeiten, what was otherwiseAndernfalls
257
684779
2415
Indem ein verbesserter Prozess
eingeführt wird, was sonst
11:43
a taskAufgabe for 40 people over threedrei monthsMonate becamewurde
258
687194
2608
eine Aufgabe für 40 Personen
über drei Monate war,
11:45
a simpleeinfach jobJob for threedrei people in 40 hoursStd.,
259
689802
3176
wurde zu einer einfachen Aufgabe
für drei Personen in 40 Stunden.
11:48
all victoriesSiege for human-computerMensch-computer symbiosisSymbiose.
260
692978
2628
Das alles sind Siege der Mensch-Computer-Symbiose.
11:51
We're more than 50 yearsJahre into Licklider'sLickliders visionVision
261
695606
2054
Wir befinden uns mehr als 50 Jahre in Lickliders Vision
11:53
for the futureZukunft, and the dataDaten suggestsschlägt vor that we should be
262
697660
2242
einer Zukunft und die Daten
deuten darauf hin, dass wir
11:55
quiteganz excitedaufgeregt about tacklingBekämpfung von this century'sdes Jahrhunderts hardesthärteste problemsProbleme,
263
699902
3030
begeistert darüber sein sollten, das schwierigste
Problem des Jahrhunderts zu lösen,
11:58
man and machineMaschine in cooperationZusammenarbeit togetherzusammen.
264
702932
2947
Mensch und Maschine in Kooperation vereint.
12:01
Thank you. (ApplauseApplaus)
265
705879
2197
Danke.
(Applaus)
12:03
(ApplauseApplaus)
266
708076
2505
(Applaus)

▲Back to top

ABOUT THE SPEAKER
Shyam Sankar - Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets.

Why you should listen

Shyam Sankar is a Director at Palantir Technologies, a secretive Silicon Valley company where he oversees deployments of the company's core technology, which helps law enforcement teams and corporations analyze giant, unrelated databases for clues to potential ... anything. Palantir technologies has been used to find missing children, to detect banking fraud, and to uncover the Shadow Network, a cyber-spy ring that stooped so low as to hack the Dalai Lama's email.

As part of his work, Sankar thinks deeply about the place where human and machine intelligence meet. While artificial intelligence (AI) is the dominant paradigm, he is an advocate of JCR Licklider's "intelligence augmentation" (IA) approach, where algorithms and brains work together to solve problems.

More profile about the speaker
Shyam Sankar | Speaker | TED.com