ABOUT THE SPEAKER
Kevin Slavin - Algoworld expert
Kevin 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."

More profile about the speaker
Kevin Slavin | Speaker | TED.com
TEDGlobal 2011

Kevin Slavin: How algorithms shape our world

Κέβιν Σλέιβιν: Πως οι αλγόριθμοι διαμορφώνουν τον κόσμο μας

Filmed:
4,199,898 views

O Κέβιν Σλέιβιν υποστηρίζει ότι ζούμε σε ένα κόσμο σχεδιασμένο -- και ολοένα περισσότερο ελεγχόμενο από -- για αλγόριθμους. Σε αυτήν την καθηλωτική ομιλία από το TEDGlobal, επιδεικνύει πως πολύπλοκα προγράμματα υπολογιστών καθορίζουν: τεχνικές κατασκοπείας, τιμές μετοχών, σενάρια ταινιών, και την αρχιτεκτονική. Και προειδοποιεί ότι συγγράφουμε κώδικα που δεν μπορούμε να καταλάβουμε, με επιπλοκές τις οποίες δεν μπορούμε να ελέγξουμε.
- Algoworld expert
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 photographφωτογραφία
0
0
2000
Αυτή είναι μία φωτογραφία
00:17
by the artistκαλλιτέχνης MichaelΜιχαήλ NajjarNajjar,
1
2000
2000
από τον καλλιτέχνη Μάικλ Νατζάρ,
00:19
and it's realπραγματικός,
2
4000
2000
και είναι πραγματική,
00:21
in the senseέννοια that he wentπήγε there to ArgentinaΑργεντινή
3
6000
2000
με την έννοια ότι πήγε εκεί στην Αργεντινή
00:23
to take the photoφωτογραφία.
4
8000
2000
για να τραβήξει τη φωτογραφία.
00:25
But it's alsoεπίσης a fictionμυθιστόρημα. There's a lot of work that wentπήγε into it after that.
5
10000
3000
Αλλά είναι επίσης φανταστική. Πολλή δουλειά έγινε πάνω της μετά από αυτό.
00:28
And what he's doneΈγινε
6
13000
2000
Και αυτό που έκανε
00:30
is he's actuallyπράγματι reshapedαναδιαμορφώνεται, digitallyψηφιακά,
7
15000
2000
είναι ότι πραγματικά ανασύνθεσε, ψηφιακά,
00:32
all of the contoursπεριγράμματα of the mountainsβουνά
8
17000
2000
όλα τα περιγράμματα των βουνών
00:34
to followακολουθηστε the vicissitudesπεριπέτειες of the DowDow JonesJones indexδείκτης.
9
19000
3000
ώστε να ακολουθούν τις διακυμάνσεις του δείκτη Ντάου Τζόουνς.
00:37
So what you see,
10
22000
2000
Άρα αυτό που βλέπετε,
00:39
that precipiceβάραθρο, that highυψηλός precipiceβάραθρο with the valleyκοιλάδα,
11
24000
2000
αυτός ο γκρεμός, ο ψηλός γκρεμός με την κοιλάδα,
00:41
is the 2008 financialχρηματοοικονομική crisisκρίση.
12
26000
2000
είναι η οικονομική κρίση του 2008.
00:43
The photoφωτογραφία was madeέκανε
13
28000
2000
Η φωτογραφία δημιουργήθηκε
00:45
when we were deepβαθύς in the valleyκοιλάδα over there.
14
30000
2000
όταν ήμαστε εκεί βαθειά στην κοιλάδα.
00:47
I don't know where we are now.
15
32000
2000
Δεν ξέρω που βρισκόμαστε τώρα.
00:49
This is the HangΚρεμάσει SengΣενγκ indexδείκτης
16
34000
2000
Αυτός είναι ο δείκτης Χανγκ Σενγκ
00:51
for HongΧονγκ KongΚονγκ.
17
36000
2000
του Χονγκ Κονγκ.
00:53
And similarπαρόμοιος topographyτοπογραφία.
18
38000
2000
Και παρόμοια τοπογραφία.
00:55
I wonderθαύμα why.
19
40000
2000
Αναρωτιέμαι γιατί.
00:57
And this is artτέχνη. This is metaphorμεταφορική έννοια.
20
42000
3000
Και αυτό είναι τέχνη. Είναι μεταφορά.
01:00
But I think the pointσημείο is
21
45000
2000
Αλλά νομίζω ότι το καίριο είναι
01:02
that this is metaphorμεταφορική έννοια with teethτα δόντια,
22
47000
2000
ότι αυτή είναι μεταφορά με δόντια
01:04
and it's with those teethτα δόντια that I want to proposeπροτείνω todayσήμερα
23
49000
3000
Και με αυτά τα δόντια θέλω να προτείνω σήμερα
01:07
that we rethinkξανασκέφτομαι a little bitκομμάτι
24
52000
2000
να ξανασκεφτούμε λίγο
01:09
about the roleρόλος of contemporaryσύγχρονος mathμαθηματικά --
25
54000
3000
σχετικά με το ρόλο των σύγχρονων μαθηματικών --
01:12
not just financialχρηματοοικονομική mathμαθηματικά, but mathμαθηματικά in generalγενικός.
26
57000
3000
όχι μόνο των οικονομικών μαθηματικών, αλλά των μαθηματικών εν γένει.
01:15
That its transitionμετάβαση
27
60000
2000
Τη μετάβασή τους
01:17
from beingνα εισαι something that we extractεκχύλισμα and deriveαντλώ from the worldκόσμος
28
62000
3000
από κάτι που εξάγουμε και παράγουμε από τον κόσμο
01:20
to something that actuallyπράγματι startsξεκινά to shapeσχήμα it --
29
65000
3000
σε κάτι που στην πραγματικότηα αρχίζει να τον διαμορφώνει --
01:23
the worldκόσμος around us and the worldκόσμος insideμέσα us.
30
68000
3000
τον κόσμο γύρω μας και τον κόσμο μέσα μας
01:26
And it's specificallyειδικά algorithmsαλγορίθμους,
31
71000
2000
Και είναι συγκεκριμένα οι αλγόριθμοι,
01:28
whichοι οποίες are basicallyβασικα the mathμαθηματικά
32
73000
2000
οι οποίοι βασικά είναι τα μαθηματικά
01:30
that computersΥπολογιστές use to decideαποφασίζω stuffυλικό.
33
75000
3000
που οι υπολογιστές χρησιμοποιούν για να αποφασίσουν για πράγματα.
01:33
They acquireαποκτώ the sensibilityευαισθησία of truthαλήθεια
34
78000
2000
Αποκτούν την αίσθηση της αλήθειας,
01:35
because they repeatεπαναλαμβάνω over and over again,
35
80000
2000
γιατί επαναλαμβάνονται ξανά και ξανά.
01:37
and they ossifyαπολιθώνομαι and calcifyσκληρύνομαι,
36
82000
3000
Και απολιθώνονται και σκληραίνουν,
01:40
and they becomeγίνομαι realπραγματικός.
37
85000
2000
ώσπου γίνονται πραγματικοί.
01:42
And I was thinkingσκέψη about this, of all placesθέσεις,
38
87000
3000
Και το σκεφτόμουν αυτό, από όλα τα μέρη,
01:45
on a transatlanticδιατλαντική flightπτήση a coupleζευγάρι of yearsχρόνια agoπριν,
39
90000
3000
σε μία υπερατλαντική πτήση μερικά χρόνια πριν,
01:48
because I happenedσυνέβη to be seatedκάθονται
40
93000
2000
γιατί έτυχε να κάθομαι
01:50
nextεπόμενος to a HungarianΟυγγρικά physicistφυσικός about my ageηλικία
41
95000
2000
δίπλα σε έναν Ούγγρο φυσικό περίπου στην ηλικία μου
01:52
and we were talkingομιλία
42
97000
2000
και μιλούσαμε
01:54
about what life was like duringστη διάρκεια the ColdΚρύο WarΠόλεμος
43
99000
2000
για το πως ήταν η ζωή στη διάρκεια του Ψυχρού Πολέμου
01:56
for physicistsφυσικοί in HungaryΟυγγαρία.
44
101000
2000
για τους φυσικούς στην Ουγγαρία.
01:58
And I said, "So what were you doing?"
45
103000
2000
Και είπα, "Με τι ασχολούσασταν;"
02:00
And he said, "Well we were mostlyως επί το πλείστον breakingσπάσιμο stealthκλέβω."
46
105000
2000
Και είπε, "Λοιπόν κυρίως σπάγαμε τεχνολογίες χαμηλής παρατηρησιμότητας."
02:02
And I said, "That's a good jobδουλειά. That's interestingενδιαφέρων.
47
107000
2000
Και απάντησα, "Αυτή είναι μια καλή δουλειά. Είναι ενδιαφέρουσα.
02:04
How does that work?"
48
109000
2000
Πώς δουλεύει αυτό;"
02:06
And to understandκαταλαβαίνουν that,
49
111000
2000
Και για το κατανοήσεις αυτό,
02:08
you have to understandκαταλαβαίνουν a little bitκομμάτι about how stealthκλέβω worksεργοστάσιο.
50
113000
3000
πρέπει να καταλάβεις λιγάκι πως δουλεύει η τεχνολογία χαμηλής παρατηρησιμότητας.
02:11
And so -- this is an over-simplificationυπερβολική απλοποίηση --
51
116000
3000
Λοιπόν -- υπεραπλουστευμένα --
02:14
but basicallyβασικα, it's not like
52
119000
2000
βασικά, δεν είναι ότι
02:16
you can just passπέρασμα a radarραντάρ signalσήμα
53
121000
2000
μπορείς να αφήσεις ένα σήμα ραντάρ
02:18
right throughδιά μέσου 156 tonsτόνους of steelατσάλι in the skyουρανός.
54
123000
3000
να διαπεράσει 156 τόνους ατσαλιού στον ουρανό.
02:21
It's not just going to disappearεξαφανίζομαι.
55
126000
3000
Απλά δεν πρόκειται να εξαφανιστεί.
02:24
But if you can take this bigμεγάλο, massiveογκώδης thing,
56
129000
3000
Αλλά αν μπορείς να πάρεις αυτό το μεγάλο, τεράστιο πράγμα,
02:27
and you could turnστροφή it into
57
132000
3000
και να το μετατρέψεις
02:30
a millionεκατομμύριο little things --
58
135000
2000
σε ένα εκατομύριο μικρά πράγματα --
02:32
something like a flockκοπάδι of birdsπουλιά --
59
137000
2000
κάτι σαν ένα σμήνος πουλιών --
02:34
well then the radarραντάρ that's looking for that
60
139000
2000
λοιπόν τότε το ραντάρ που ψάχνει για αυτό
02:36
has to be ableικανός to see
61
141000
2000
θα πρέπει να είναι ικανό να δει
02:38
everyκάθε flockκοπάδι of birdsπουλιά in the skyουρανός.
62
143000
2000
κάθε σμήνος πουλιών στον ουρανό.
02:40
And if you're a radarραντάρ, that's a really badκακό jobδουλειά.
63
145000
4000
Και εάν είσαι ραντάρ, αυτή είναι μία αληθινά δύσκολη δουλειά.
02:44
And he said, "Yeah." He said, "But that's if you're a radarραντάρ.
64
149000
3000
Και απάντησε, "Ναι". Είπε, "Αλλά αυτό αν είσαι ραντάρ.
02:47
So we didn't use a radarραντάρ;
65
152000
2000
Έτσι δε χρησιμοποιήσαμε ραντάρ'
02:49
we builtχτισμένο a blackμαύρος boxκουτί that was looking for electricalηλεκτρικός signalsσήματα,
66
154000
3000
χτίσαμε ένα μαύρο κουτί που έψαχνε για ηλεκτρικά σήματα,
02:52
electronicηλεκτρονικός communicationεπικοινωνία.
67
157000
3000
ηλεκτρονική επικοινωνία.
02:55
And wheneverΟποτεδήποτε we saw a flockκοπάδι of birdsπουλιά that had electronicηλεκτρονικός communicationεπικοινωνία,
68
160000
3000
Και όποτε βλέπαμε ένα σμήνος πουλιών που είχαν ηλεκτρονική επικοινωνία,
02:58
we thought, 'Probably«Πιθανώς has something to do with the AmericansΟι Αμερικανοί.'"
69
163000
3000
θεωρούσαμε ότι πιθανότατα είχε κάτι να κάνει με τους Αμερικανούς."
03:01
And I said, "Yeah.
70
166000
2000
Είπα, "Ναι.
03:03
That's good.
71
168000
2000
Μάλιστα.
03:05
So you've effectivelyαποτελεσματικά negatedαναιρείται
72
170000
2000
Άρα στην πραγματικότητα ανατρέψατε
03:07
60 yearsχρόνια of aeronauticαεροναυτική researchέρευνα.
73
172000
2000
60 χρόνια αεροναυτικής έρευνας.
03:09
What's your actενεργω two?
74
174000
2000
Ποιό είναι το επόμενο βήμα σου;
03:11
What do you do when you growκαλλιεργώ up?"
75
176000
2000
Με τι θα ασχοληθείς όταν μεγάλωσεις;"
03:13
And he said,
76
178000
2000
Και απάντησε,
03:15
"Well, financialχρηματοοικονομική servicesΥπηρεσίες."
77
180000
2000
"Λοιπόν, με τα οικονομικά."
03:17
And I said, "Oh."
78
182000
2000
Είπα "Α."
03:19
Because those had been in the newsΝέα latelyΠρόσφατα.
79
184000
3000
Γιατί αυτά ήταν στην επικαιρότητα τελευταία.
03:22
And I said, "How does that work?"
80
187000
2000
Και του είπα, "Πώς πάει αυτό;"
03:24
And he said, "Well there's 2,000 physicistsφυσικοί on WallΤοίχου StreetΟδός now,
81
189000
2000
Και απάντησε, "Λοιπόν υπάρχουν 2.000 φυσικοί στη Γουώλ Στρητ αυτή τη στιγμή,
03:26
and I'm one of them."
82
191000
2000
και είμαι ένας από αυτούς."
03:28
And I said, "What's the blackμαύρος boxκουτί for WallΤοίχου StreetΟδός?"
83
193000
3000
Ρώτησα, "Ποιο είναι το μαύρο κουτί στη Γουώλ Στρητ;"
03:31
And he said, "It's funnyαστείος you askπαρακαλώ that,
84
196000
2000
Μου απάντησε, "Είναι αστείο που το ρωτάς αυτό,
03:33
because it's actuallyπράγματι calledπου ονομάζεται blackμαύρος boxκουτί tradingεμπορία.
85
198000
3000
γιατί πραγματικά αποκαλούνται αγοραπωλησίες μαύρου κουτιού.
03:36
And it's alsoεπίσης sometimesωρες ωρες calledπου ονομάζεται algoAlgo tradingεμπορία,
86
201000
2000
Και κάποιες φορές αλγο-εμπόριο,
03:38
algorithmicΑλγοριθμική tradingεμπορία."
87
203000
3000
αλγοριθμικό εμπόριο."
03:41
And algorithmicΑλγοριθμική tradingεμπορία evolvedεξελίχθηκε in partμέρος
88
206000
3000
Και οι αλγοριθμικές αγοραπωλησίες εξελίχθηκαν εν μέρει
03:44
because institutionalθεσμική tradersΟι έμποροι have the sameίδιο problemsπροβλήματα
89
209000
3000
διότι οι θεσμικοί επενδυτές έχουν τα ίδια προβλήματα
03:47
that the UnitedΕνωμένοι StatesΚράτη μέλη AirΑέρα ForceΔύναμη had,
90
212000
3000
που είχε η Πολεμική Αεροπορία των ΗΠΑ,
03:50
whichοι οποίες is that they're movingκίνηση these positionsθέσεις --
91
215000
3000
το οποίο είναι ότι μετακινούν αυτές τις τοποθετήσεις --
03:53
whetherκατά πόσο it's ProctorProctor & GambleΤυχερό παιχνίδι or AccentureAccenture, whateverοτιδήποτε --
92
218000
2000
είτε είναι οι Πρόκτορ και Γκαμπλ είτε η Αξέντουρ, ο,τιδήποτε --
03:55
they're movingκίνηση a millionεκατομμύριο sharesμερίδια of something
93
220000
2000
μετακινούν ένα εκατομύριο μετοχές από κάτι
03:57
throughδιά μέσου the marketαγορά.
94
222000
2000
μέσω της αγοράς.
03:59
And if they do that all at onceμια φορά,
95
224000
2000
Και εάν το κάνουν όλο μονομιάς,
04:01
it's like playingπαιχνίδι pokerπόκερ and going all in right away.
96
226000
2000
είναι σα να παίζεις πόκερ και να πηγαίνεις ρέστα κατευθείαν.
04:03
You just tipυπόδειξη your handχέρι.
97
228000
2000
Απλά φανερώνεις το χέρι σου.
04:05
And so they have to find a way --
98
230000
2000
Έτσι λοιπόν πρέπει να βρουν έναν τρόπο --
04:07
and they use algorithmsαλγορίθμους to do this --
99
232000
2000
και χρησιμοποιούν αλγόριθμους για να το κάνουν αυτό --
04:09
to breakΔιακοπή up that bigμεγάλο thing
100
234000
2000
για να σπασουν αυτό το μεγάλο πράγμα
04:11
into a millionεκατομμύριο little transactionsσυναλλαγές.
101
236000
2000
σε ένα εκατομύριο μικρές συναλλαγές.
04:13
And the magicμαγεία and the horrorφρίκη of that
102
238000
2000
Και η μαγεία και ο τρόμος αυτού
04:15
is that the sameίδιο mathμαθηματικά
103
240000
2000
είναι ότι τα ίδια μαθηματικά
04:17
that you use to breakΔιακοπή up the bigμεγάλο thing
104
242000
2000
που χρησιμοποιείες για να σπάσεις αυτό το μεγάλο πράγμα
04:19
into a millionεκατομμύριο little things
105
244000
2000
σε ένα εκατομύριο πραγματάκια
04:21
can be used to find a millionεκατομμύριο little things
106
246000
2000
μπορεί να χρησιμοποιηθεί για να βρεις αυτό το εκατομύριο πράγματα
04:23
and sewράβω them back togetherμαζί
107
248000
2000
και να τα συνδέσεις ξανά μαζί
04:25
and figureεικόνα out what's actuallyπράγματι happeningσυμβαίνει in the marketαγορά.
108
250000
2000
και να καταλάβεις τι συμβαίνει στην πραγματικότητα στην αγορά.
04:27
So if you need to have some imageεικόνα
109
252000
2000
Άρα εάν πρέπει να έχεις μία εικόνα
04:29
of what's happeningσυμβαίνει in the stockστοκ marketαγορά right now,
110
254000
3000
του τι συμβαίνεις στην αγορά μετοχών αυτή τη στιγμή,
04:32
what you can pictureεικόνα is a bunchδέσμη of algorithmsαλγορίθμους
111
257000
2000
αυτό που μπορείς να φανταστείς είναι μια ομάδα αλγορίθμων
04:34
that are basicallyβασικα programmedπρογραμματισμένος to hideκρύβω,
112
259000
3000
που είναι βασικά προγραμματισμένοι ώστε να αποκρύπτουν,
04:37
and a bunchδέσμη of algorithmsαλγορίθμους that are programmedπρογραμματισμένος to go find them and actενεργω.
113
262000
3000
και μια ομάδα αλγορίθμων που είναι προγραμματισμένοι ώστε να βρίσκουν και να ενεργούν.
04:40
And all of that's great, and it's fine.
114
265000
3000
Και όλα αυτά είναι τέλεια, είναι μια χαρά.
04:43
And that's 70 percentτοις εκατό
115
268000
2000
Και αυτό είναι το 70 τοις εκατό
04:45
of the UnitedΕνωμένοι StatesΚράτη μέλη stockστοκ marketαγορά,
116
270000
2000
της αγοράς μετοχών των Ηνωμένων Πολιτειών,
04:47
70 percentτοις εκατό of the operatingλειτουργικός systemΣύστημα
117
272000
2000
70 τοις εκατό του συστήματος
04:49
formerlyπροηγουμένως knownγνωστός as your pensionΠανσιόν,
118
274000
3000
προηγούμενως γνωστό ως η σύνταξή σου,
04:52
your mortgageστεγαστικών δανείων.
119
277000
3000
η υποθήκη σου.
04:55
And what could go wrongλανθασμένος?
120
280000
2000
Και τι μπορεί να πάει στραβά;
04:57
What could go wrongλανθασμένος
121
282000
2000
Αυτό που μπορεί να πάει στραβά
04:59
is that a yearέτος agoπριν,
122
284000
2000
είναι ότι ένα χρόνο πριν,
05:01
nineεννέα percentτοις εκατό of the entireολόκληρος marketαγορά just disappearsεξαφανίζεται in fiveπέντε minutesλεπτά,
123
286000
3000
το εννιά τοις εκατό ολόκληρης της αγοράς απλά εξαφανίστηκε σε 5 λεπτά,
05:04
and they calledπου ονομάζεται it the FlashΦλας CrashΑιφνίδια διακοπή λειτουργίας of 2:45.
124
289000
3000
και το ονόμασαν η αστραπιαία κατάρρευση των 2:45.
05:07
All of a suddenαιφνίδιος, nineεννέα percentτοις εκατό just goesπηγαίνει away,
125
292000
3000
Από το πουθενά, εννιά τοις εκατό απλά εξαφανίζεται,
05:10
and nobodyκανείς to this day
126
295000
2000
και κανείς μέχρι σήμερα
05:12
can even agreeσυμφωνώ on what happenedσυνέβη
127
297000
2000
δεν μπορεί καν να συμφωνήσει στο τι συνέβη,
05:14
because nobodyκανείς orderedδιέταξε it, nobodyκανείς askedερωτηθείς for it.
128
299000
3000
γιατί κανείς δεν το διέταξε, κανείς δεν το ζήτησε.
05:17
NobodyΚανείς δεν had any controlέλεγχος over what was actuallyπράγματι happeningσυμβαίνει.
129
302000
3000
Κανείς δεν είχε κανένα έλεγχο στο τι συνέβαινε στην πραγματικότητα.
05:20
All they had
130
305000
2000
Το μόνο που είχαν
05:22
was just a monitorοθόνη in frontεμπρός of them
131
307000
2000
ήταν μία οθόνη μπροστά τους
05:24
that had the numbersαριθμούς on it
132
309000
2000
που είχε τους αριθμούς πάνω της
05:26
and just a redτο κόκκινο buttonκουμπί
133
311000
2000
και απλά ένα κόκκινο κουμπί
05:28
that said, "Stop."
134
313000
2000
που έλεγε, "Στοπ."
05:30
And that's the thing,
135
315000
2000
Και αυτό είναι το θέμα,
05:32
is that we're writingΓραφή things,
136
317000
2000
ότι γράφουμε πράγματα
05:34
we're writingΓραφή these things that we can no longerμακρύτερα readανάγνωση.
137
319000
3000
γράφουμε πράγματα που δεν μπορούμε πλέον να διαβάσουμε.
05:37
And we'veέχουμε renderedτετηγμένα something
138
322000
2000
Και δημιουργήσαμε κάτι
05:39
illegibleδυσανάγνωστος,
139
324000
2000
δυσανάγνωστο.
05:41
and we'veέχουμε lostχαμένος the senseέννοια
140
326000
3000
Και χάσαμε την αίσθηση
05:44
of what's actuallyπράγματι happeningσυμβαίνει
141
329000
2000
του τι πραγματικά συμβαίνει
05:46
in this worldκόσμος that we'veέχουμε madeέκανε.
142
331000
2000
σε αυτόν τον κόσμο που φτιάξαμε.
05:48
And we're startingεκκίνηση to make our way.
143
333000
2000
Και αρχίσαμε να κινούμαστε προς τα εκεί.
05:50
There's a companyΕταιρία in BostonΒοστώνη calledπου ονομάζεται NanexNanex,
144
335000
3000
Υπάρχει μία εταιρεία στη Βοστώνη που λέγεται Νάνεξ,
05:53
and they use mathμαθηματικά and magicμαγεία
145
338000
2000
όπου χρησιμοποιούν μαθηματικά και μαγεία
05:55
and I don't know what,
146
340000
2000
και δεν ξέρω τι,
05:57
and they reachφθάνω into all the marketαγορά dataδεδομένα
147
342000
2000
και φτάνουν σε όλα τα δεδομένα της αγοράς
05:59
and they find, actuallyπράγματι sometimesωρες ωρες, some of these algorithmsαλγορίθμους.
148
344000
3000
και ανακαλύπτουν, όντως μερικές φορές, μερικούς από αυτούς τους αλγόριθμους.
06:02
And when they find them they pullΤραβήξτε them out
149
347000
3000
Και όταν τους ανακαλύπτουν τους εξάγουν
06:05
and they pinκαρφίτσα them to the wallτείχος like butterfliesΠεταλούδες.
150
350000
3000
και τους καρφιτσώνουν στον τοίχο σαν πεταλούδες.
06:08
And they do what we'veέχουμε always doneΈγινε
151
353000
2000
Και κάνουν ότι πάντοτε κάναμε
06:10
when confrontedαντιμέτωποι with hugeτεράστιος amountsποσά of dataδεδομένα that we don't understandκαταλαβαίνουν --
152
355000
3000
όταν ερχόμαστε αντιμέτωποι με τεράστια ποσά δεδομένων που δεν καταλαβαίνουμε --
06:13
whichοι οποίες is that they give them a nameόνομα
153
358000
2000
τους δίνουν ένα όνομα
06:15
and a storyιστορία.
154
360000
2000
και μία ιστορία.
06:17
So this is one that they foundβρέθηκαν,
155
362000
2000
Έτσι αυτό είναι ένα που ανακάλυψαν,
06:19
they calledπου ονομάζεται the KnifeΜαχαίρι,
156
364000
4000
το ονόμασαν το Μαχαίρι,
06:23
the CarnivalΚαρναβάλι,
157
368000
2000
το Καρναβάλι,
06:25
the BostonΒοστώνη ShufflerΑνακάτεμα φύλλων,
158
370000
4000
ο Αναδευτήρας της Βοστώνης.
06:29
TwilightΛυκόφως.
159
374000
2000
Λυκόφως.
06:31
And the gaggag is
160
376000
2000
Και το αστείο είναι
06:33
that, of courseσειρά μαθημάτων, these aren'tδεν είναι just runningτρέξιμο throughδιά μέσου the marketαγορά.
161
378000
3000
ότι, φυσικά, αυτά δε διατρέχουν μόνο την αγορά.
06:36
You can find these kindsείδη of things whereverοπουδήποτε you look,
162
381000
3000
Μπορείς να βρεις αυτού του είδους τα πράγματα όπου κοιτάξεις,
06:39
onceμια φορά you learnμαθαίνω how to look for them.
163
384000
2000
εφόσον μάθεις πως να κοιτάς για αυτά.
06:41
You can find it here: this bookΒιβλίο about fliesμύγες
164
386000
3000
Μπορείτε να το βρείτε εδώ: αυτό το βιβλίο περί μυγών
06:44
that you mayενδέχεται have been looking at on AmazonAmazon.
165
389000
2000
που μπορεί να κοιτούσατε στο Άμαζον.
06:46
You mayενδέχεται have noticedπαρατήρησα it
166
391000
2000
Μπορεί να το είχατε παρατηρήσει
06:48
when its priceτιμή startedξεκίνησε at 1.7 millionεκατομμύριο dollarsδολάρια.
167
393000
2000
όταν η τιμή του έφτασε στα 1,7 εκατομύρια δολλάρια.
06:50
It's out of printΤυπώνω -- still ...
168
395000
2000
Είναι εκτός κυκλοφορίας -- εντούτοις ...
06:52
(LaughterΤο γέλιο)
169
397000
2000
(Γέλια)
06:54
If you had boughtαγορασμένος it at 1.7, it would have been a bargainΠαζάρι.
170
399000
3000
Εάν το είχατε αγοράσει στα 1,7, θα ήταν ευκαιρία.
06:57
A fewλίγοι hoursώρες laterαργότερα, it had goneχαμένος up
171
402000
2000
Μερικές ώρες αργότερα, ανέβηκε
06:59
to 23.6 millionεκατομμύριο dollarsδολάρια,
172
404000
2000
στα 23,6 εκατομύρια δολλάρια,
07:01
plusσυν shippingΑποστολή and handlingΧειρισμός, ή Αντιμετώπιση.
173
406000
2000
συν τα μεταφορικά και τη συσκευασία.
07:03
And the questionερώτηση is:
174
408000
2000
Και το ερώτημα είναι:
07:05
NobodyΚανείς δεν was buyingεξαγορά or sellingπώληση anything; what was happeningσυμβαίνει?
175
410000
2000
Κανείς δεν αγόραζε ή πωλούσε τίποτα, τι συνέβαινε;
07:07
And you see this behaviorη ΣΥΜΠΕΡΙΦΟΡΑ on AmazonAmazon
176
412000
2000
Και παρατηρείς αυτήν τη συμπεριφορά στo Άμαζον
07:09
as surelyασφαλώς as you see it on WallΤοίχου StreetΟδός.
177
414000
2000
όπως σίγουρα την παρατηρείς και στη Γουώλ Στρητ.
07:11
And when you see this kindείδος of behaviorη ΣΥΜΠΕΡΙΦΟΡΑ,
178
416000
2000
Και όταν παρατηρείς αυτό το είδος συμπεριφοράς,
07:13
what you see is the evidenceαπόδειξη
179
418000
2000
αυτό που βλέπεις είναι η ένδειξη
07:15
of algorithmsαλγορίθμους in conflictσύγκρουση,
180
420000
2000
συγκρουόμενων αλγορίθμων,
07:17
algorithmsαλγορίθμους lockedκλειδωμένο in loopsβρόχους with eachκαθε other,
181
422000
2000
αλγορίθμων που έχουν εγκλωβιστεί ο ένας με τον άλλον,
07:19
withoutχωρίς any humanο άνθρωπος oversightεποπτεία,
182
424000
2000
χωρίς καμία ανθρώπινη επίβλεψη,
07:21
withoutχωρίς any adultενήλικας supervisionεποπτεία
183
426000
3000
χωρίς ενήλικη εποπτεία,
07:24
to say, "ActuallyΣτην πραγματικότητα, 1.7 millionεκατομμύριο is plentyαφθονία."
184
429000
3000
που θα έλεγε, "Στην πραγματικότητα, 1,7 εκατομύρια είναι πολλά."
07:27
(LaughterΤο γέλιο)
185
432000
3000
(Γέλια)
07:30
And as with AmazonAmazon, so it is with NetflixNetflix.
186
435000
3000
Και όπως με το Άμαζον, έτσι έχει και με το Νέτφλιξ.
07:33
And so NetflixNetflix has goneχαμένος throughδιά μέσου
187
438000
2000
Το Netflix έχει Νετφλιξ
07:35
severalαρκετά differentδιαφορετικός algorithmsαλγορίθμους over the yearsχρόνια.
188
440000
2000
διάφορους αλγόριθμους με τα χρόνια.
07:37
They startedξεκίνησε with CinematchCinematch, and they'veέχουν triedδοκιμασμένος a bunchδέσμη of othersοι υπολοιποι --
189
442000
3000
Ξεκίνησα με τον Σίνεματς, και έχουν δοκιμάσει ένα σωρό άλλους.
07:40
there's DinosaurΔεινόσαυρος PlanetΠλανήτη; there's GravityΒαρύτητας.
190
445000
2000
Υπάρχει ο Πλανήτης Δινοσαύρων, η Βαρύτητα.
07:42
They're usingχρησιμοποιώντας PragmaticΡεαλιστική ChaosΧάος now.
191
447000
2000
Χρησιμοποιούν τον Πραγματιστικό Χάος τώρα.
07:44
PragmaticΡεαλιστική ChaosΧάος is, like all of NetflixNetflix algorithmsαλγορίθμους,
192
449000
2000
Ο Πραγματιστικό Χάος, όπως όλοι οι αλγόριθμοι της Νετφλιξ,
07:46
tryingπροσπαθεί to do the sameίδιο thing.
193
451000
2000
προσπαθεί να κάνει το ίδιο πράγμα.
07:48
It's tryingπροσπαθεί to get a graspπιάσιμο on you,
194
453000
2000
Προσπαθεί να σε κατανοήσει,
07:50
on the firmwareυλικολογισμικό insideμέσα the humanο άνθρωπος skullκρανίο,
195
455000
2000
στo υλικολογισμικό μέσα στο ανθρώπινο κρανίο,
07:52
so that it can recommendσυνιστώ what movieταινία
196
457000
2000
ώστε να μπορέσει να προτείνει ποια ταινία
07:54
you mightθα μπορούσε want to watch nextεπόμενος --
197
459000
2000
μπορεί να θες να παρακολουθήσεις στη συνέχεια --
07:56
whichοι οποίες is a very, very difficultδύσκολος problemπρόβλημα.
198
461000
3000
το οποίο είναι ένα πολύ, πολύ δύσκολο πρόβλημα.
07:59
But the difficultyδυσκολία of the problemπρόβλημα
199
464000
2000
Αλλά η δυσκολία του προβλήματος
08:01
and the factγεγονός that we don't really quiteαρκετά have it down,
200
466000
3000
και το γεγονός ότι δεν το έχουμε ακριβώς καταφέρει,
08:04
it doesn't take away
201
469000
2000
δε μειώνει
08:06
from the effectsυπάρχοντα PragmaticΡεαλιστική ChaosΧάος has.
202
471000
2000
τις συνέπειες που ο Πραγματιστικό Χάος έχει.
08:08
PragmaticΡεαλιστική ChaosΧάος, like all NetflixNetflix algorithmsαλγορίθμους,
203
473000
3000
Ο Πραγματιστικό Χάος, όπως κάθε αλγόριθμος της Νέτφλιξ,
08:11
determinesκαθορίζει, in the endτέλος,
204
476000
2000
αποφασίζει, εν τέλει,
08:13
60 percentτοις εκατό
205
478000
2000
το 60 τοις εκατό
08:15
of what moviesκινηματογράφος endτέλος up beingνα εισαι rentedμισθωμένο.
206
480000
2000
των ταινιών που καταλήγουν να ενοικιαστούν.
08:17
So one pieceκομμάτι of codeκώδικας
207
482000
2000
Συνεπώς ένα κομμάτι κώδικα
08:19
with one ideaιδέα about you
208
484000
3000
με μία αντίληψη για εσένα
08:22
is responsibleυπεύθυνος for 60 percentτοις εκατό of those moviesκινηματογράφος.
209
487000
3000
είναι υπεύθυνο για το 60 τοις εκατό αυτών των ταινιών.
08:25
But what if you could rateτιμή those moviesκινηματογράφος
210
490000
2000
Αλλά αν μπορούσες να βαθμολογήσεις αυτές τις ταινίες
08:27
before they get madeέκανε?
211
492000
2000
πριν παραχθούν;
08:29
Wouldn'tΔεν θα that be handyεύχρηστο?
212
494000
2000
Δε θα ήταν χρήσιμο;
08:31
Well, a fewλίγοι dataδεδομένα scientistsΕπιστήμονες from the U.K. are in HollywoodΧόλιγουντ,
213
496000
3000
Λοιπόν, μερικά επιστήμονες δεδομένων από το Ηνωμένο Βασίλειο βρίσκονται στο Χόλυγουντ
08:34
and they have "storyιστορία algorithmsαλγορίθμους" --
214
499000
2000
και έχουν αλγόριθμους ιστοριών --
08:36
a companyΕταιρία calledπου ονομάζεται EpagogixEpagogix.
215
501000
2000
μία εταιρεία που λέγεται Επαγκόγκιξ.
08:38
And you can runτρέξιμο your scriptδέσμη ενεργειών throughδιά μέσου there,
216
503000
3000
Και μπορεί να τρέξεις το σενάριό σου εκεί,
08:41
and they can tell you, quantifiablyποσοτικώς,
217
506000
2000
και εκείνοι να σου πουν, μετρήσιμα,
08:43
that that's a 30 millionεκατομμύριο dollarδολάριο movieταινία
218
508000
2000
ότι αυτή είναι μία ταινία 30 εκατομυρίων δολλαρίων
08:45
or a 200 millionεκατομμύριο dollarδολάριο movieταινία.
219
510000
2000
ή μία ταινία 200 εκατομυρίων δολλαρίων.
08:47
And the thing is, is that this isn't GoogleGoogle.
220
512000
2000
Και το θέμα είναι ότι δεν πρόκειται για αναζήτηση στο Γκουγκλ.
08:49
This isn't informationπληροφορίες.
221
514000
2000
Αυτό δεν είναι πληροφορία.
08:51
These aren'tδεν είναι financialχρηματοοικονομική statsστατιστικά; this is cultureΠολιτισμός.
222
516000
2000
Αυτά είναι οικονομικά στοιχεία; είναι κουλτούρα.
08:53
And what you see here,
223
518000
2000
Και αυτό που βλέπεις εδώ,
08:55
or what you don't really see normallyκανονικά,
224
520000
2000
ή δε βλέπεις υπό κανονικές συνθήκες,
08:57
is that these are the physicsη φυσικη of cultureΠολιτισμός.
225
522000
4000
είναι ότι αυτή είναι η φυσική της κουλτούρας.
09:01
And if these algorithmsαλγορίθμους,
226
526000
2000
Και εάν αυτοί οι αλγόριθμοι,
09:03
like the algorithmsαλγορίθμους on WallΤοίχου StreetΟδός,
227
528000
2000
όπως οι αλγόριθμοι της Γουώλ Στρητ,
09:05
just crashedσυνετρίβη one day and wentπήγε awryστραβά,
228
530000
3000
απλά κρασάρουν μία ημέρα και πάνε στραβά,
09:08
how would we know?
229
533000
2000
πως θα ξέρουμε,
09:10
What would it look like?
230
535000
2000
με τι θα έμοιαζε αυτό;
09:12
And they're in your houseσπίτι. They're in your houseσπίτι.
231
537000
3000
Και είναι μες στο σπίτι σου. Είναι μέσα στο σπίτι σου.
09:15
These are two algorithmsαλγορίθμους competingανταγωνίζονται for your livingζωή roomδωμάτιο.
232
540000
2000
Αυτοί είναι δύο αλγόριθμοι που συναγωνίζονται για το καθιστικό σου.
09:17
These are two differentδιαφορετικός cleaningκαθάρισμα robotsρομπότ
233
542000
2000
Είναι δύο διαφορετικά ρομπότ καθαρισμού
09:19
that have very differentδιαφορετικός ideasιδέες about what cleanΚΑΘΑΡΗ meansπου σημαίνει.
234
544000
3000
που έχουν πολύ διαφορετικές ιδέες για το τι σημαίνει καθαρό.
09:22
And you can see it
235
547000
2000
Και μπορείτε να το δείτε
09:24
if you slowαργός it down and attachσυνδέω lightsφώτα to them,
236
549000
3000
εάν το επιβραδύνετε και εγκαταστήσετε φώτα σε αυτά.
09:27
and they're sortείδος of like secretμυστικό architectsαρχιτέκτονες in your bedroomυπνοδωμάτιο.
237
552000
3000
Είναι κάτι σαν μικροί αρχιτέκτονες στο δωμάτιό σας.
09:30
And the ideaιδέα that architectureαρχιτεκτονική itselfεαυτό
238
555000
3000
Και η ιδέα ότι η ίδια η αρχιτεκτονική
09:33
is somehowκάπως subjectθέμα to algorithmicΑλγοριθμική optimizationβελτιστοποίηση
239
558000
2000
υπόκειται κατά κάποιον τρόπο στην αλγοριθμική βελτιστοποίηση
09:35
is not far-fetchedεξεζητημένος.
240
560000
2000
δεν είναι τραβηγμένη.
09:37
It's super-realυπερ-Ρεάλ and it's happeningσυμβαίνει around you.
241
562000
3000
Είναι πραγματική και συμβαίνει γύρω σας.
09:40
You feel it mostπλέον
242
565000
2000
Το νιώθεις περισσότερο
09:42
when you're in a sealedσφραγισμένο metalμέταλλο boxκουτί,
243
567000
2000
όταν είσαι σε ένα σφραγισμένο μεταλλικό κουτί,
09:44
a new-styleνέο στυλ elevatorΑνελκυστήρας;
244
569000
2000
έναν ανελκυστήρα καινούριου ύφους,
09:46
they're calledπου ονομάζεται destination-controlελέγχου του προορισμού elevatorsανελκυστήρες.
245
571000
2000
ονομάζονται ανελκυστήρες ελέγχου προορισμού.
09:48
These are the onesαυτές where you have to pressτύπος what floorπάτωμα you're going to go to
246
573000
3000
Είναι αυτοί που πρέπει να πατήσεις σε ποιο όροφο πρόκειται να πας
09:51
before you get in the elevatorΑνελκυστήρας.
247
576000
2000
πριν μπεις στον ανελκυστήρα.
09:53
And it usesχρήσεις what's calledπου ονομάζεται a bin-packingbin-συσκευασίας algorithmαλγόριθμος.
248
578000
2000
Και χρησιμοποιεί αυτό που ονομάζεται αλγόριθμος πακεταρίσμενος καλαθιών.
09:55
So noneκανένας of this mishegasmishegas
249
580000
2000
Οπότε τέλος αυτή η τρέλα
09:57
of lettingαφήνοντας everybodyόλοι go into whateverοτιδήποτε carαυτοκίνητο they want.
250
582000
2000
του να αφήνεις οποιονδήποτε να πηγαίνεται σε όποιο ασανσέρ θέλει.
09:59
EverybodyΟ καθένας who wants to go to the 10thth floorπάτωμα goesπηγαίνει into carαυτοκίνητο two,
251
584000
2000
Όποιος θέλει να πάει στο 10ο όροφο μπαίνει στο όχημα δύο,
10:01
and everybodyόλοι who wants to go to the thirdτρίτος floorπάτωμα goesπηγαίνει into carαυτοκίνητο fiveπέντε.
252
586000
3000
και όποιος θέλει να πάει στον τρίτο μπαίνει το όχημα πέντε.
10:04
And the problemπρόβλημα with that
253
589000
2000
Και το πρόβλημα με αυτό είναι
10:06
is that people freakφρικιό out.
254
591000
2000
ότι οι άνθρωποι φρικάρουν.
10:08
People panicπανικός.
255
593000
2000
Οι άνθρωποι πανικοβάλλονται.
10:10
And you see why. You see why.
256
595000
2000
Και καταλαβαίνετε γιατί. Καταλαβαίνετε.
10:12
It's because the elevatorΑνελκυστήρας
257
597000
2000
Είναι επειδή ο ανελκυστήρας
10:14
is missingλείπει some importantσπουδαίος instrumentationτων οργάνων, like the buttonsκουμπιά.
258
599000
3000
δε διαθέτει κάποια σημαντικά όργανα, όπως τα κουμπιά.
10:17
(LaughterΤο γέλιο)
259
602000
2000
(Γέλια)
10:19
Like the things that people use.
260
604000
2000
Όπως έχουν τα πράγματα που χρησιμοποιούν οι άνθρωποι.
10:21
All it has
261
606000
2000
Το μόνο που διαθέτει
10:23
is just the numberαριθμός that movesκινήσεις up or down
262
608000
3000
είναι ο αριθμός που αυξάνεται ή μειώνεται
10:26
and that redτο κόκκινο buttonκουμπί that saysλέει, "Stop."
263
611000
3000
και εκείνο το κόκκινο κουμπί που λέει, "Σταμάτα."
10:29
And this is what we're designingσχέδιο for.
264
614000
3000
Αυτό είναι που σχεδιάζουμε.
10:32
We're designingσχέδιο
265
617000
2000
Σχεδιάζουμε
10:34
for this machineμηχανή dialectδιάλεκτος.
266
619000
2000
αυτή τη διάλεκτο της μηχανής.
10:36
And how farμακριά can you take that? How farμακριά can you take it?
267
621000
3000
Και μέχρι που μπορείς να το πας; Πόσο μακριά μπορείς να το πας;
10:39
You can take it really, really farμακριά.
268
624000
2000
Μπορείς να το φτάσεις πολύ, πολύ μακριά.
10:41
So let me take it back to WallΤοίχου StreetΟδός.
269
626000
3000
Λοιπόν, αφήστε με να επιστρέψω στη Γουώλ Στρητ.
10:45
Because the algorithmsαλγορίθμους of WallΤοίχου StreetΟδός
270
630000
2000
Γιατί οι αλγόριθμοι της Γουώλ Στρητ
10:47
are dependentεξαρτώμενος on one qualityποιότητα aboveπανω all elseαλλού,
271
632000
3000
εξαρτώνται από ένα χαρακτηριστικό πάνω από όλα τα άλλα,
10:50
whichοι οποίες is speedΤαχύτητα.
272
635000
2000
το οποίο είναι η ταχύτητα.
10:52
And they operateλειτουργεί on millisecondsχιλιοστά του δευτερολέπτου and microsecondsμικροδευτερόλεπτα.
273
637000
3000
Και λειτουργούν σε μιλλιδευτερόλεπτα και μικροδευτερόλεπτα.
10:55
And just to give you a senseέννοια of what microsecondsμικροδευτερόλεπτα are,
274
640000
2000
Και για να σας δώσω μία αίσθηση του τι είναι τα μικροδευτερόλεπτα,
10:57
it takes you 500,000 microsecondsμικροδευτερόλεπτα
275
642000
2000
σας παίρνει 500.000 μικροδευτερόλεπτα
10:59
just to clickΚάντε κλικ a mouseποντίκι.
276
644000
2000
για να πατήσετε το πλήκτρο ενός ποντικιού.
11:01
But if you're a WallΤοίχου StreetΟδός algorithmαλγόριθμος
277
646000
2000
Αλλά εάν είστε ένας αλγόριθμος της Γουώλ Στρητ
11:03
and you're fiveπέντε microsecondsμικροδευτερόλεπτα behindπίσω,
278
648000
2000
και υπολείπεστε 5 μικροδευτερόλεπτα,
11:05
you're a loserηττημένος.
279
650000
2000
είστε αποτυχημένος.
11:07
So if you were an algorithmαλγόριθμος,
280
652000
2000
Άρα αν είστε αλγόριθμος,
11:09
you'dεσείς look for an architectαρχιτέκτων like the one that I metσυνάντησε in FrankfurtΦρανκφούρτη στον Μάιν
281
654000
3000
θα ψάχνατε για έναν αρχιτέκτονα όπως αυτόν που γνώρισα στη Φρανκφούρτη
11:12
who was hollowingκοίλανση out a skyscraperουρανοξύστης --
282
657000
2000
που άδειαζε έναν ουρανοξύστη --
11:14
throwingρίψη out all the furnitureέπιπλα, all the infrastructureυποδομή for humanο άνθρωπος use,
283
659000
3000
πετώντας έξω όλα τα έπιπλα, όλη την υποδομή προς ανθρώπινη χρήση,
11:17
and just runningτρέξιμο steelατσάλι on the floorsδάπεδα
284
662000
3000
και απλά τοποθετούσε ατσάλι στα πατώματα
11:20
to get readyέτοιμος for the stacksστοίβες of serversδιακομιστές to go in --
285
665000
3000
για να προετοιμαστεί για τις στοίβες εξυπηρετητών που θα έμπαιναν --
11:23
all so an algorithmαλγόριθμος
286
668000
2000
όλα αυτά ώστε ένας αλγόριθμος
11:25
could get closeΚοντά to the InternetΣτο διαδίκτυο.
287
670000
3000
να έρθει πιο κοντά στο Ίντερνετ.
11:28
And you think of the InternetΣτο διαδίκτυο as this kindείδος of distributedδιανέμονται systemΣύστημα.
288
673000
3000
Και θεωρείς το Ίντερνετ ένα είδος διανεμημένου συστήματος.
11:31
And of courseσειρά μαθημάτων, it is, but it's distributedδιανέμονται from placesθέσεις.
289
676000
3000
Και φυσικά είναι, αλλά είναι διανεμημένο από μέρη.
11:34
In NewΝέα YorkΥόρκη, this is where it's distributedδιανέμονται from:
290
679000
2000
Στη Νέα Υόρκη, να από που διανέμεται:
11:36
the CarrierΜεταφορέας HotelΤο ξενοδοχείο
291
681000
2000
το Ξενοδοχείο Κάρριερ
11:38
locatedπου βρίσκεται on HudsonHudson StreetΟδός.
292
683000
2000
που βρίσκεται στην Οδό Χάντσον.
11:40
And this is really where the wiresκαλώδια come right up into the cityπόλη.
293
685000
3000
Και εδώ είναι από που έρχονται τα καλώδια στην πόλη.
11:43
And the realityπραγματικότητα is that the furtherπεραιτέρω away you are from that,
294
688000
4000
Και η πραγματικότητα είναι ότι όσο μακρύτεραείσαι από αυτό,
11:47
you're a fewλίγοι microsecondsμικροδευτερόλεπτα behindπίσω everyκάθε time.
295
692000
2000
είσαι λίγα μικροδευτερόλεπτα πίσω κάθε φορά.
11:49
These guys down on WallΤοίχου StreetΟδός,
296
694000
2000
Αυτοί οι τύποι στη Γουώλ Στρητ,
11:51
MarcoMarco PoloPolo and CherokeeΤσερόκι NationΈθνος,
297
696000
2000
ο Μάρκο Πόλο και ο Τσιρόκι Νέισιον,
11:53
they're eightοκτώ microsecondsμικροδευτερόλεπτα
298
698000
2000
βρίσκονται οκτώ μικροδευτερόλεπτα
11:55
behindπίσω all these guys
299
700000
2000
πίσω από όλους εκείνους
11:57
going into the emptyαδειάζω buildingsκτίρια beingνα εισαι hollowedκοίλο out
300
702000
4000
που μπαίνουν στα άδεια κτήρια που αδειάζονται
12:01
up around the CarrierΜεταφορέας HotelΤο ξενοδοχείο.
301
706000
2000
γύρω από το ξενοδοχείο Κάρριερ.
12:03
And that's going to keep happeningσυμβαίνει.
302
708000
3000
Και αυτό θα συνεχίσει να συμβαίνει.
12:06
We're going to keep hollowingκοίλανση them out,
303
711000
2000
Θα συνεχίσουμε να τα αδειάζουμε,
12:08
because you, inchίντσα for inchίντσα
304
713000
3000
γιατί εσείς, ίντσα προς ίντσα
12:11
and poundλίβρα for poundλίβρα and dollarδολάριο for dollarδολάριο,
305
716000
3000
και λίρα προς λίρα και δολλάριο προς δολλάριο,
12:14
noneκανένας of you could squeezeσφίξιμο revenueέσοδα out of that spaceχώρος
306
719000
3000
κανείς από εσάς δε θα μπορούσε να βγάλει κέρδος από αυτόν τον χώρο
12:17
like the BostonΒοστώνη ShufflerΑνακάτεμα φύλλων could.
307
722000
3000
όπως μπορεί ο Αναδευτήρας της Βοστώνης.
12:20
But if you zoomανίπταμαι διαγωνίως out,
308
725000
2000
Αλλά εάν μεγενθύνετε την εικόνα,
12:22
if you zoomανίπταμαι διαγωνίως out,
309
727000
2000
εάν τη μεγενθύνετε,
12:24
you would see an 825-mile-μίλι trenchχαράκωμα
310
729000
4000
θα βλέπατε ότι ένα χαντάκι 825 μιλίων
12:28
betweenμεταξύ NewΝέα YorkΥόρκη CityΠόλη and ChicagoΣικάγο
311
733000
2000
ανάμεσα στη Νέα Υόρκη και το Σικάγο
12:30
that's been builtχτισμένο over the last fewλίγοι yearsχρόνια
312
735000
2000
που χτίζεται τα τελευταία χρόνια
12:32
by a companyΕταιρία calledπου ονομάζεται SpreadΕξάπλωση NetworksΔίκτυα.
313
737000
3000
από μία εταιρεί που λέγεται Σπρεντ Νετγοουρκς.
12:35
This is a fiberίνα opticοπτικός cableκαλώδιο
314
740000
2000
Αυτό είναι ένα καλώδιο οπτικής ίνας
12:37
that was laidστρωτός betweenμεταξύ those two citiesπόλεις
315
742000
2000
που απλώθηκε ανάμεσα σε αυτές τις δύο πόλεις
12:39
to just be ableικανός to trafficΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ one signalσήμα
316
744000
3000
απλά για να είναι δυνατό να μεταφερθεί ένα σήμα
12:42
37 timesφορές fasterγρηγορότερα than you can clickΚάντε κλικ a mouseποντίκι --
317
747000
3000
37 φορές πιο γρήγορα από το να πατήσεις το πλήκτρο ενός ποντικιού --
12:45
just for these algorithmsαλγορίθμους,
318
750000
3000
μόνο για αυτούς του αλγόριθμους,
12:48
just for the CarnivalΚαρναβάλι and the KnifeΜαχαίρι.
319
753000
3000
μόνο για το Καρναβάλι και το Μαχαίρι.
12:51
And when you think about this,
320
756000
2000
Και όσο το σκέφτεστε αυτό,
12:53
that we're runningτρέξιμο throughδιά μέσου the UnitedΕνωμένοι StatesΚράτη μέλη
321
758000
2000
ότι διατρέχουμε τις Ηνωμένες Πολιτείες
12:55
with dynamiteδυναμίτιδα and rockβράχος sawsΠριόνια
322
760000
3000
με δυναμίτης και βραχοπρίονα
12:58
so that an algorithmαλγόριθμος can closeΚοντά the dealσυμφωνία
323
763000
2000
ώστε ένας αλγόριθμος να μπορεί να κλείσει τη δουλειά
13:00
threeτρία microsecondsμικροδευτερόλεπτα fasterγρηγορότερα,
324
765000
3000
τρία μικροδευτερόλεπτα πιο γρήγορα,
13:03
all for a communicationsδιαβιβάσεις frameworkδομή
325
768000
2000
για ένα πλαίσιο επικοινωνιών
13:05
that no humanο άνθρωπος will ever know,
326
770000
4000
που κανένας άνθρωπος δε θα μάθει ποτέ,
13:09
that's a kindείδος of manifestδηλωτικό destinyΠΕΠΡΩΜΕΝΟ;
327
774000
3000
αυτό είναι ένα είδος δήλωσης του πεπρωμένου
13:12
and we'llΚαλά always look for a newνέος frontierστα σύνορα.
328
777000
3000
και πάντα θα ψάχνουμε το επόμενο σύνορο.
13:15
UnfortunatelyΔυστυχώς, we have our work cutΤομή out for us.
329
780000
3000
Δυστυχώς, η δουλειά μας είναι δύσκολη.
13:18
This is just theoreticalθεωρητικός.
330
783000
2000
Αυτό είναι απλά θεωρητικό.
13:20
This is some mathematiciansμαθηματικοί at MITMIT.
331
785000
2000
Είναι μερικοί μαθηματικοί στο ΜΙΤ.
13:22
And the truthαλήθεια is I don't really understandκαταλαβαίνουν
332
787000
2000
Και η αλήθεια είναι ότι δεν καταλαβαίνω πλήρως
13:24
a lot of what they're talkingομιλία about.
333
789000
2000
πολλά από αυτά για τα οποία μιλούν.
13:26
It involvesπεριλαμβάνει lightφως conesκώνων and quantumποσοστό entanglementεμπλοκή,
334
791000
3000
Περιέχει κώνους φωτός και κβαντική σύμπλεξη,
13:29
and I don't really understandκαταλαβαίνουν any of that.
335
794000
2000
και δεν πολυκαταλαβαίνω τίποτα από αυτά.
13:31
But I can readανάγνωση this mapχάρτης,
336
796000
2000
Αλλά μπορώ να διαβάσω αυτόν το χάρτη.
13:33
and what this mapχάρτης saysλέει
337
798000
2000
Και αυτό που λέει αυτός ο χάρτης
13:35
is that, if you're tryingπροσπαθεί to make moneyχρήματα on the marketsαγορές where the redτο κόκκινο dotsκουκκίδες are,
338
800000
3000
είναι ότι, εάν προσπαθείς να βγάλεις λεφτά στις αγορές που βρίσκονται εκεί που είναι οι κόκκινες τελείες,
13:38
that's where people are, where the citiesπόλεις are,
339
803000
2000
εκεί που είναι οι άνθρωποι, οι πόλεις,
13:40
you're going to have to put the serversδιακομιστές where the blueμπλε dotsκουκκίδες are
340
805000
3000
πρέπει να βάλεις τους εξυπηρετητές εκεί που είναι οι μπλε τελείες
13:43
to do that mostπλέον effectivelyαποτελεσματικά.
341
808000
2000
για να το κάνεις με τον πιο αποτελεσματικό τρόπο.
13:45
And the thing that you mightθα μπορούσε have noticedπαρατήρησα about those blueμπλε dotsκουκκίδες
342
810000
3000
Και αυτό που ίσως παρατηρήσατε σχετικά με τις μπλε τελείες
13:48
is that a lot of them are in the middleΜέσης of the oceanωκεανός.
343
813000
3000
είναι ότι πολλές από αυτές βρίσκονται στη μέση του ωκεανού.
13:51
So that's what we'llΚαλά do: we'llΚαλά buildχτίζω bubblesφυσαλίδες or something,
344
816000
3000
Άρα αυτό είναι που θα κάνουμε, θα χτίσουμε φυσαλίδες ή κάτι,
13:54
or platformsπλατφόρμες.
345
819000
2000
ή πλατφόρμες.
13:56
We'llΕμείς θα actuallyπράγματι partμέρος the waterνερό
346
821000
2000
Βασικά θα διαχωρίσουμε τα ύδατα
13:58
to pullΤραβήξτε moneyχρήματα out of the airαέρας,
347
823000
2000
για να φέρουμε λεφτά από τον ουρανό
14:00
because it's a brightΛΑΜΠΡΌΣ futureμελλοντικός
348
825000
2000
γιατί είναι λαμπρό το μέλλον
14:02
if you're an algorithmαλγόριθμος.
349
827000
2000
εάν είσαι αλγόριθμος.
14:04
(LaughterΤο γέλιο)
350
829000
2000
(Γέλια)
14:06
And it's not the moneyχρήματα that's so interestingενδιαφέρων actuallyπράγματι.
351
831000
3000
Και δεν είναι το χρήμα που είναι τόσο ενδιαφέρον στην πραγματικότητα.
14:09
It's what the moneyχρήματα motivatesκίνητρα,
352
834000
2000
Είναι τι κινητοποιεί το χρήμα.
14:11
that we're actuallyπράγματι terraformingμετασχηματισμός
353
836000
2000
Ότι ουσιαστικά γεωμορφοποιούμε
14:13
the EarthΓη itselfεαυτό
354
838000
2000
την ίδια τη Γη
14:15
with this kindείδος of algorithmicΑλγοριθμική efficiencyαποδοτικότητα.
355
840000
2000
με αυτό το είδος αλγοριθμικής αποτελεσματικότητας.
14:17
And in that lightφως,
356
842000
2000
Και υπό αυτό το πρίσμα,
14:19
you go back
357
844000
2000
γυρνάς πίσω
14:21
and you look at MichaelΜιχαήλ Najjar'sΤου Najjar photographsφωτογραφίες,
358
846000
2000
και κοιτάς τις φωτογραφίες του Μαικλ Νατζάρ,
14:23
and you realizeσυνειδητοποιώ that they're not metaphorμεταφορική έννοια, they're prophecyπροφητεία.
359
848000
3000
και διαπιστώνεις ότι δεν είναι μεταφορά, είναι προφητεία.
14:26
They're prophecyπροφητεία
360
851000
2000
Είναι προφητεία
14:28
for the kindείδος of seismicσεισμικός, terrestrialεπίγεια effectsυπάρχοντα
361
853000
4000
για τις σεισμικές, κοσμογονικές επιπτώσεις
14:32
of the mathμαθηματικά that we're makingκατασκευή.
362
857000
2000
των μαθηματικών που φτιάχνουμε.
14:34
And the landscapeτοπίο was always madeέκανε
363
859000
3000
Και το τοπίο πάντοτε φτιαχνόταν
14:37
by this sortείδος of weirdΠερίεργο, uneasyανήσυχος collaborationσυνεργασία
364
862000
3000
από τέτοιες περίεργες, ταραχώδεις συμπράξεις
14:40
betweenμεταξύ natureφύση and man.
365
865000
3000
ανάμεσα στη φύση και τον άνθρωπο.
14:43
But now there's this thirdτρίτος co-evolutionaryCo-εξελικτική forceδύναμη: algorithmsαλγορίθμους --
366
868000
3000
Αλλά τώρα υπάρχει αυτή η τρίτη συνεξελικτική δύναμη: οι αλγόριθμοι --
14:46
the BostonΒοστώνη ShufflerΑνακάτεμα φύλλων, the CarnivalΚαρναβάλι.
367
871000
3000
ο Αναδευτήρας της Βοστώνης, το Καρναβάλι.
14:49
And we will have to understandκαταλαβαίνουν those as natureφύση,
368
874000
3000
Και πρέπει να τους αντιλαμβανόμαστε ως φύση.
14:52
and in a way, they are.
369
877000
2000
Και υπό μίαν έννοια, είναι.
14:54
Thank you.
370
879000
2000
Σας ευχαριστώ.
14:56
(ApplauseΧειροκροτήματα)
371
881000
20000
(Χειροκροτήματα)

▲Back to top

ABOUT THE SPEAKER
Kevin Slavin - Algoworld expert
Kevin 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."

More profile about the speaker
Kevin Slavin | Speaker | TED.com