TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Cómo los algoritmos configuran nuestro mundo
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin afirma que estamos viviendo en un mundo diseñado para - y cada vez más controlado por - algoritmos. En esta fascinante charla de TEDGlobal, nos muestra cómo estos complejos programas informáticos determinan: las tácticas de espionaje, los precios de las acciones, los guiones de cine y la arquitectura. Y nos advierte que estamos escribiendo en un código que no entendemos, con consecuencias que no podemos controlar.
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
Esta es una fotografía
00:17
by the artist Michael Najjar,
1
2000
2000
tomada por el artista Michael Najjar,
00:19
and it's real,
2
4000
2000
y es real
00:21
in the sense that he went there to Argentina
3
6000
2000
porque él fue a Argentina
00:23
to take the photo.
4
8000
2000
para tomarla.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Pero también es ficción. Hay bastante trabajo en ella después de eso.
00:28
And what he's done
6
13000
2000
Y lo que ha hecho
00:30
is he's actually reshaped, digitally,
7
15000
2000
es que prácticamente ha rediseñado, digitalmente,
00:32
all of the contours of the mountains
8
17000
2000
todos los contornos de las montañas
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
para seguir las vicisitudes del índice Dow Jones.
00:37
So what you see,
10
22000
2000
Así que lo que se ve,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
ese precipicio, lo alto del precipicio que se abre con el valle,
00:41
is the 2008 financial crisis.
12
26000
2000
es la crisis financiera del 2008.
00:43
The photo was made
13
28000
2000
La foto fue tomada
00:45
when we were deep in the valley over there.
14
30000
2000
cuando estábamos muy en el fondo de aquel valle.
00:47
I don't know where we are now.
15
32000
2000
No sé dónde estamos ahora.
00:49
This is the Hang Seng index
16
34000
2000
Este es el índice Hang Seng
00:51
for Hong Kong.
17
36000
2000
de la Bolsa de Hong Kong.
00:53
And similar topography.
18
38000
2000
Y la topografía es similar.
00:55
I wonder why.
19
40000
2000
Me pregunto por qué.
00:57
And this is art. This is metaphor.
20
42000
3000
Y esto es arte y también es una metáfora.
01:00
But I think the point is
21
45000
2000
Pero creo que lo importante es
01:02
that this is metaphor with teeth,
22
47000
2000
que es una metáfora con dientes.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Y es con esos dientes que hoy quiero proponer
01:07
that we rethink a little bit
24
52000
2000
que reconsideremos un poco
01:09
about the role of contemporary math --
25
54000
3000
el rol de las matemáticas contemporáneas,
01:12
not just financial math, but math in general.
26
57000
3000
no solo las financieras, sino las matemáticas en general.
01:15
That its transition
27
60000
2000
Reconsideremos que han pasado
01:17
from being something that we extract and derive from the world
28
62000
3000
de ser algo que se extrae y se deriva del mundo
01:20
to something that actually starts to shape it --
29
65000
3000
a algo que realmente empieza a darle forma,
01:23
the world around us and the world inside us.
30
68000
3000
al mundo que nos rodea y al mundo dentro de nosotros.
01:26
And it's specifically algorithms,
31
71000
2000
Y es específicamente con algoritmos,
01:28
which are basically the math
32
73000
2000
que son básicamente las matemáticas
01:30
that computers use to decide stuff.
33
75000
3000
que utilizan los computadores para tomar decisiones.
01:33
They acquire the sensibility of truth
34
78000
2000
Adquieren el sentido de la verdad,
01:35
because they repeat over and over again,
35
80000
2000
porque se repiten una y otra vez
01:37
and they ossify and calcify,
36
82000
3000
y se osifican y se calcifican
01:40
and they become real.
37
85000
2000
y se vuelven reales.
01:42
And I was thinking about this, of all places,
38
87000
3000
Y estaba pensando en esto, en un lugar improbable,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
en un vuelo transatlántico hace un par de años,
01:48
because I happened to be seated
40
93000
2000
porque me encontraba sentado
01:50
next to a Hungarian physicist about my age
41
95000
2000
al lado de un físico húngaro como de mi edad
01:52
and we were talking
42
97000
2000
y hablábamos
01:54
about what life was like during the Cold War
43
99000
2000
de cómo era la vida de los físicos en Hungría
01:56
for physicists in Hungary.
44
101000
2000
durante la guerra fría.
01:58
And I said, "So what were you doing?"
45
103000
2000
Y le pregunté: "¿Qué hacían ustedes?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Y dijo: "Mayormente, destruíamos escudos furtivos".
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
A lo que le dije: "Ese es un buen trabajo. Es interesante.
02:04
How does that work?"
48
109000
2000
¿Cómo funciona?"
02:06
And to understand that,
49
111000
2000
Y para entender eso,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
hay que entender primero cómo funciona la tecnología furtiva.
02:11
And so -- this is an over-simplification --
51
116000
3000
Y para esto, voy a simplificar al extremo,
02:14
but basically, it's not like
52
119000
2000
en el fondo no se trata
02:16
you can just pass a radar signal
53
121000
2000
de pasar una señal de radar
02:18
right through 156 tons of steel in the sky.
54
123000
3000
a través de 156 toneladas de acero en el cielo.
02:21
It's not just going to disappear.
55
126000
3000
Eso no va a desaparecer.
02:24
But if you can take this big, massive thing,
56
129000
3000
Pero se puede tomar esta cosa enorme
02:27
and you could turn it into
57
132000
3000
y transformarla
02:30
a million little things --
58
135000
2000
en un millón de cosas pequeñas,
02:32
something like a flock of birds --
59
137000
2000
como una bandada de pájaros, por ejemplo,
02:34
well then the radar that's looking for that
60
139000
2000
y luego el radar que la está buscando
02:36
has to be able to see
61
141000
2000
tiene que ser capaz de ver
02:38
every flock of birds in the sky.
62
143000
2000
todas las bandadas de pájaros en el cielo.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Y si usted es un radar, ese es un trabajo muy duro.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Y él dijo: "Sí, pero eso es solo si usted es un radar.
02:47
So we didn't use a radar;
65
152000
2000
Pero, no usábamos radares;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
construíamos una caja negra que buscaba señales eléctricas,
02:52
electronic communication.
67
157000
3000
de comunicación electrónica.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Y cuando veíamos una bandada de pájaros que tenía comunicación electrónica,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
pensábamos que probablemente tenía algo que ver con los estadounidenses".
03:01
And I said, "Yeah.
70
166000
2000
Y le dije: "Sí.
03:03
That's good.
71
168000
2000
Está bien.
03:05
So you've effectively negated
72
170000
2000
Ud. ha reducido a la nada
03:07
60 years of aeronautic research.
73
172000
2000
60 años de investigación aeronáutica.
03:09
What's your act two?
74
174000
2000
Y luego, ¿qué va a hacer?
03:11
What do you do when you grow up?"
75
176000
2000
¿Qué va a hacer cuando sea mayor?"
03:13
And he said,
76
178000
2000
Y respondió:
03:15
"Well, financial services."
77
180000
2000
"Trabajar en servicios financieros".
03:17
And I said, "Oh."
78
182000
2000
Y le dije: "¡Oh!".
03:19
Because those had been in the news lately.
79
184000
3000
Porque se había hablado de ellos en las noticias últimamente.
03:22
And I said, "How does that work?"
80
187000
2000
Le pregunté: "¿Cómo funciona eso?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Y dijo: "Bueno, actualmente, hay 2 000 físicos en Wall Street,
03:26
and I'm one of them."
82
191000
2000
y soy uno de ellos".
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Y le pregunté: "¿Cuál es la caja negra de Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
Y él dijo: "Es curioso que lo pregunte,
03:33
because it's actually called black box trading.
85
198000
3000
porque, en efecto, se llama comercio de caja negra.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Y a veces también se le llama comercio algo,
03:38
algorithmic trading."
87
203000
3000
comercio algorítmico".
03:41
And algorithmic trading evolved in part
88
206000
3000
Y el comercio algorítmico se ha desarrollado en parte
03:44
because institutional traders have the same problems
89
209000
3000
porque los inversores institucionales tienen los mismos problemas
03:47
that the United States Air Force had,
90
212000
3000
que tenía la Fuerza Aérea de los Estados Unidos,
03:50
which is that they're moving these positions --
91
215000
3000
es decir, que mueven sus posiciones
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
–que se trate de Procter & Gamble, Accenture u otra compañía–
03:55
they're moving a million shares of something
93
220000
2000
y transfieren un millón de acciones de algo
03:57
through the market.
94
222000
2000
a través del mercado.
03:59
And if they do that all at once,
95
224000
2000
Y si lo hacen todo a la vez,
04:01
it's like playing poker and going all in right away.
96
226000
2000
es como jugar al póker y apostar todo inmediatamente.
04:03
You just tip your hand.
97
228000
2000
Están mostrando su jugada.
04:05
And so they have to find a way --
98
230000
2000
De manera que tienen que encontrar una solución
04:07
and they use algorithms to do this --
99
232000
2000
–y para eso usan algoritmos–
04:09
to break up that big thing
100
234000
2000
para dividir ese gran paquete
04:11
into a million little transactions.
101
236000
2000
en un millón de transacciones pequeñas.
04:13
And the magic and the horror of that
102
238000
2000
Y la magia y el horror de eso
04:15
is that the same math
103
240000
2000
es que las mismas matemáticas
04:17
that you use to break up the big thing
104
242000
2000
que se usan para dividir ese gran paquete
04:19
into a million little things
105
244000
2000
en un millón de pequeñas cosas
04:21
can be used to find a million little things
106
246000
2000
pueden usarse para encontrar ese millón de pequeñas cosas,
04:23
and sew them back together
107
248000
2000
unirlas nuevamente
04:25
and figure out what's actually happening in the market.
108
250000
2000
y averiguar lo que sucede realmente en el mercado.
04:27
So if you need to have some image
109
252000
2000
Así que para que tengan una idea
04:29
of what's happening in the stock market right now,
110
254000
3000
de lo que pasa en la bolsa en este momento,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
pueden imaginarse un montón de algoritmos
04:34
that are basically programmed to hide,
112
259000
3000
programados básicamente para esconderse,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
y otro montón de algoritmos programados para ir a buscarlos y actuar.
04:40
And all of that's great, and it's fine.
114
265000
3000
Y todo eso es genial, está muy bien.
04:43
And that's 70 percent
115
268000
2000
Representa el 70 %
04:45
of the United States stock market,
116
270000
2000
de la bolsa de los Estados Unidos,
04:47
70 percent of the operating system
117
272000
2000
el 70 % del sistema operativo
04:49
formerly known as your pension,
118
274000
3000
antes conocido como nuestras pensiones
04:52
your mortgage.
119
277000
3000
e hipotecas.
04:55
And what could go wrong?
120
280000
2000
Y ¿qué podría fallar?
04:57
What could go wrong
121
282000
2000
Podría pasar algo
04:59
is that a year ago,
122
284000
2000
como lo de hace un año,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
cuando el 9 % del total del mercado desapareció en 5 minutos
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
y lo llamaron el “flash crash” de las 2.45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
De repente, 9 % simplemente desapareció,
05:10
and nobody to this day
126
295000
2000
y nadie hasta hoy
05:12
can even agree on what happened
127
297000
2000
se pone de acuerdo sobre lo que pasó,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
porque nadie dio la orden, nadie quería eso.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Nadie tenía ningún control sobre lo que realmente pasaba.
05:20
All they had
130
305000
2000
Lo único que tenían
05:22
was just a monitor in front of them
131
307000
2000
era un monitor delante de ellos
05:24
that had the numbers on it
132
309000
2000
que tenía unos números
05:26
and just a red button
133
311000
2000
y un botón rojo
05:28
that said, "Stop."
134
313000
2000
que decía: "Pare".
05:30
And that's the thing,
135
315000
2000
Y ese es el problema,
05:32
is that we're writing things,
136
317000
2000
que estamos escribiendo cosas,
05:34
we're writing these things that we can no longer read.
137
319000
3000
que ya no podemos leer.
05:37
And we've rendered something
138
322000
2000
Hemos dejado algo
05:39
illegible,
139
324000
2000
ilegible.
05:41
and we've lost the sense
140
326000
3000
Y en este mundo que hemos fabricado,
05:44
of what's actually happening
141
329000
2000
hemos perdido el sentido
05:46
in this world that we've made.
142
331000
2000
de lo que realmente está sucediendo.
05:48
And we're starting to make our way.
143
333000
2000
Y hemos empezando a hacer nuestro camino.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Hay una compañía en Boston llamada Nanex,
05:53
and they use math and magic
145
338000
2000
que usa las matemáticas y la magia
05:55
and I don't know what,
146
340000
2000
y no sé qué más,
05:57
and they reach into all the market data
147
342000
2000
que consigue todos los datos del mercado
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
y, a veces encuentra algunos de estos algoritmos.
06:02
And when they find them they pull them out
149
347000
3000
Y cuando los encuentra, los extrae
06:05
and they pin them to the wall like butterflies.
150
350000
3000
y los sujeta contra la pared como si fueran mariposas.
06:08
And they do what we've always done
151
353000
2000
Y hace lo que siempre hemos hecho
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
cuando nos enfrentamos a grandes cantidades de datos que no entendemos,
06:13
which is that they give them a name
153
358000
2000
les da un nombre
06:15
and a story.
154
360000
2000
y una historia.
06:17
So this is one that they found,
155
362000
2000
Aquí hay unos que encontró.
06:19
they called the Knife,
156
364000
4000
A este lo llamó el Cuchillo,
06:23
the Carnival,
157
368000
2000
el Carnaval,
06:25
the Boston Shuffler,
158
370000
4000
la Mezcla de Boston,
06:29
Twilight.
159
374000
2000
el Crepúsculo.
06:31
And the gag is
160
376000
2000
Y el chiste es
06:33
that, of course, these aren't just running through the market.
161
378000
3000
que, por supuesto, no se trata solo del mercado.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Podemos encontrar este tipo de cosas donde miremos,
06:39
once you learn how to look for them.
163
384000
2000
una vez que aprendemos cómo buscarlos.
06:41
You can find it here: this book about flies
164
386000
3000
Podemos encontrarlos aquí: en este libro sobre las moscas
06:44
that you may have been looking at on Amazon.
165
389000
2000
que tal vez hemos estado buscando en Amazon.
06:46
You may have noticed it
166
391000
2000
Puede que lo hayamos notado,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
cuando su precio subió a 1,7 millones de dólares.
06:50
It's out of print -- still ...
168
395000
2000
Está agotado, aún...
06:52
(Laughter)
169
397000
2000
(Risas)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Si lo hubiésemos comprado a 1,7, habría sido una ganga.
06:57
A few hours later, it had gone up
171
402000
2000
Unas horas más tarde, subió
06:59
to 23.6 million dollars,
172
404000
2000
a 23,6 millones de dólares,
07:01
plus shipping and handling.
173
406000
2000
más gastos de envío.
07:03
And the question is:
174
408000
2000
Y la pregunta es:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Nadie compraba ni vendía nada; ¿qué pasaba?
07:07
And you see this behavior on Amazon
176
412000
2000
Y esto se ve tanto en Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
como en Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
Y cuando uno ve este tipo de comportamiento,
07:13
what you see is the evidence
179
418000
2000
lo que ve es la evidencia
07:15
of algorithms in conflict,
180
420000
2000
de los algoritmos en conflicto,
07:17
algorithms locked in loops with each other,
181
422000
2000
trabados entre sí en bucles,
07:19
without any human oversight,
182
424000
2000
sin ninguna supervisión humana,
07:21
without any adult supervision
183
426000
3000
sin ningún tipo de supervisión de un adulto
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
para decir: "En realidad, 1,7 millones es bastante".
07:27
(Laughter)
185
432000
3000
(Risas)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
A Netflix le ha sucedido lo mismo que a Amazon.
07:33
And so Netflix has gone through
187
438000
2000
Netflix ha pasado
07:35
several different algorithms over the years.
188
440000
2000
por varios algoritmos diferentes a través del tiempo.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Comenzó con Cinematch, y ha probado muchos otros,
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
pasando por Dinosaur Planet y Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Ahora está usando Pragmatic Chaos
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
que, al igual que todos los algoritmos de Netflix,
07:46
trying to do the same thing.
193
451000
2000
trata de hacer lo mismo:
07:48
It's trying to get a grasp on you,
194
453000
2000
conseguir un asidero en nosotros,
07:50
on the firmware inside the human skull,
195
455000
2000
en el “firmware” dentro del cráneo humano,
07:52
so that it can recommend what movie
196
457000
2000
para que pueda recomendar qué película
07:54
you might want to watch next --
197
459000
2000
podríamos tener ganas de ver próximamente,
07:56
which is a very, very difficult problem.
198
461000
3000
lo cual es un problema muy, muy difícil.
07:59
But the difficulty of the problem
199
464000
2000
Pero la dificultad del problema
08:01
and the fact that we don't really quite have it down,
200
466000
3000
y el hecho de que en realidad no lo tengamos resuelto,
08:04
it doesn't take away
201
469000
2000
no le quita
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
los efectos que el Pragmatic Chaos tiene.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Este, al igual que todos los algoritmos de Netflix,
08:11
determines, in the end,
204
476000
2000
determina, en última instancia,
08:13
60 percent
205
478000
2000
el 60 %
08:15
of what movies end up being rented.
206
480000
2000
de las películas que terminan siendo alquiladas.
08:17
So one piece of code
207
482000
2000
De manera que un segmento de código
08:19
with one idea about you
208
484000
3000
con una idea acerca de nosotros
08:22
is responsible for 60 percent of those movies.
209
487000
3000
es responsable del 60 % de esas películas.
08:25
But what if you could rate those movies
210
490000
2000
¿Qué pasaría si pudiésemos evaluar esas películas
08:27
before they get made?
211
492000
2000
antes de que se hiciesen?
08:29
Wouldn't that be handy?
212
494000
2000
¿No sería útil?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Bien, hay unos especialistas de datos del Reino Unido en Hollywood
08:34
and they have "story algorithms" --
214
499000
2000
que tienen algoritmos de historias,
08:36
a company called Epagogix.
215
501000
2000
son una empresa llamada Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Pueden probar un guion cinematográfico,
08:41
and they can tell you, quantifiably,
217
506000
2000
y decirnos, de manera cuantificable,
08:43
that that's a 30 million dollar movie
218
508000
2000
si será una película de 30 millones de dólares
08:45
or a 200 million dollar movie.
219
510000
2000
o una de 200 millones de dólares.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Y el caso es que esto no es Google.
08:49
This isn't information.
221
514000
2000
No es información.
08:51
These aren't financial stats; this is culture.
222
516000
2000
No se trata de estadísticas financieras; es cultura.
08:53
And what you see here,
223
518000
2000
Y lo que vemos aquí,
08:55
or what you don't really see normally,
224
520000
2000
o más bien, lo que no vemos normalmente,
08:57
is that these are the physics of culture.
225
522000
4000
es que se trata de la física de la cultura.
09:01
And if these algorithms,
226
526000
2000
Y si estos algoritmos,
09:03
like the algorithms on Wall Street,
227
528000
2000
como los de Wall Street,
09:05
just crashed one day and went awry,
228
530000
3000
acaban estrellándose un día y todo falla,
09:08
how would we know?
229
533000
2000
¿cómo podríamos saber
09:10
What would it look like?
230
535000
2000
lo que se vería?
09:12
And they're in your house. They're in your house.
231
537000
3000
Y están en nuestras casas.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Hay dos algoritmos que compiten por la sala de estar.
09:17
These are two different cleaning robots
233
542000
2000
Son dos tipos diferentes de robots de limpieza
09:19
that have very different ideas about what clean means.
234
544000
3000
que tienen ideas muy distintas de lo que significa limpio.
09:22
And you can see it
235
547000
2000
Y se pueden ver
09:24
if you slow it down and attach lights to them,
236
549000
3000
si les bajamos la velocidad y les fijamos luces.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Son algo así como los arquitectos secretos del dormitorio.
09:30
And the idea that architecture itself
238
555000
3000
Y la idea de que la propia arquitectura
09:33
is somehow subject to algorithmic optimization
239
558000
2000
esté sujeta de alguna manera a la optimización algorítmica
09:35
is not far-fetched.
240
560000
2000
no es descabellada.
09:37
It's super-real and it's happening around you.
241
562000
3000
Es muy real y está ocurriendo a nuestro alrededor.
09:40
You feel it most
242
565000
2000
Es más evidente
09:42
when you're in a sealed metal box,
243
567000
2000
cuando estamos en una caja metálica sellada,
09:44
a new-style elevator;
244
569000
2000
en un ascensor moderno
09:46
they're called destination-control elevators.
245
571000
2000
llamado ascensor de control de destino.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Es de aquellos en los que hay que presionar el piso al que vamos a ir
09:51
before you get in the elevator.
247
576000
2000
antes de entrar en el ascensor.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Utiliza lo que se llama un algoritmo de embalaje de cajas.
09:55
So none of this mishegas
249
580000
2000
Así que nada de esas locuras
09:57
of letting everybody go into whatever car they want.
250
582000
2000
de dejar que todo el mundo suba a cualquier cabina que quiera.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Todos los que quieran ir al décimo piso suben a la cabina 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
y los que quieran ir al tercer piso suben a la cabina 5.
10:04
And the problem with that
253
589000
2000
Y el problema con esto
10:06
is that people freak out.
254
591000
2000
es que la gente enloquezca,
10:08
People panic.
255
593000
2000
que entre en pánico.
10:10
And you see why. You see why.
256
595000
2000
Y es claro por qué.
10:12
It's because the elevator
257
597000
2000
Porque al ascensor
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
le faltan algunos instrumentos importantes, como los botones.
10:17
(Laughter)
259
602000
2000
(Risas)
10:19
Like the things that people use.
260
604000
2000
Como las cosas que la gente usa.
10:21
All it has
261
606000
2000
Lo único que tiene
10:23
is just the number that moves up or down
262
608000
3000
es el número que cambia cuando sube o baja
10:26
and that red button that says, "Stop."
263
611000
3000
y ese botón rojo que dice "Pare".
10:29
And this is what we're designing for.
264
614000
3000
Y eso es lo que estamos diseñando.
10:32
We're designing
265
617000
2000
Estamos trabajando
10:34
for this machine dialect.
266
619000
2000
en el dialecto de esa máquina.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Y ¿hasta dónde podemos ir?, ¿hasta qué punto?
10:39
You can take it really, really far.
268
624000
2000
Podemos ir muy, muy lejos.
10:41
So let me take it back to Wall Street.
269
626000
3000
Volvamos al tema de Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Los algoritmos de Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
dependen de una cualidad por encima de todo,
10:50
which is speed.
272
635000
2000
la velocidad.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Operan en milisegundos y microsegundos.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Y para que tengan una idea de lo que es un microsegundo,
10:57
it takes you 500,000 microseconds
275
642000
2000
piensen que se necesitan 500 000 microsegundos
10:59
just to click a mouse.
276
644000
2000
solo para hacer un clic con un mouse.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Pero si un algoritmo de Wall Street
11:03
and you're five microseconds behind,
278
648000
2000
tiene cinco microsegundos de tardanza,
11:05
you're a loser.
279
650000
2000
es un perdedor.
11:07
So if you were an algorithm,
280
652000
2000
Así que si fuésemos algoritmos,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
buscaríamos un arquitecto como el que me encontré en Frankfurt
11:12
who was hollowing out a skyscraper --
282
657000
2000
que vaciaba un rascacielos,
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
tiraba todos los muebles, toda la infraestructura de uso humano,
11:17
and just running steel on the floors
284
662000
3000
y solo dejaba acero en los pisos
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
para prepararse para recibir pilas de servidores,
11:23
all so an algorithm
286
668000
2000
todo para que un algoritmo
11:25
could get close to the Internet.
287
670000
3000
pueda acercarse al internet.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Creemos que el internet es un tipo de sistema descentralizado.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Y, por supuesto, lo es, pero se descentraliza desde ciertos lugares.
11:34
In New York, this is where it's distributed from:
290
679000
2000
Aquí es desde donde se descentraliza en Nueva York:
11:36
the Carrier Hotel
291
681000
2000
el hotel Carrier
11:38
located on Hudson Street.
292
683000
2000
ubicado en la calle Hudson.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Es realmente desde allí que los cables llegan hasta la ciudad.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Y la realidad es que cuanto más nos alejamos de allí,
11:47
you're a few microseconds behind every time.
295
692000
2000
más nos atrasamos en microsegundos.
11:49
These guys down on Wall Street,
296
694000
2000
Estos tipos en Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo y la nación Cherokee,
11:53
they're eight microseconds
298
698000
2000
están 8 microsegundos
11:55
behind all these guys
299
700000
2000
detrás de todos estos tipos
11:57
going into the empty buildings being hollowed out
300
702000
4000
que van a los edificios que se desocupan
12:01
up around the Carrier Hotel.
301
706000
2000
en los alrededores del hotel Carrier.
12:03
And that's going to keep happening.
302
708000
3000
Y esto va a seguir sucediendo.
12:06
We're going to keep hollowing them out,
303
711000
2000
Vamos a seguir vaciando edificios,
12:08
because you, inch for inch
304
713000
3000
ya que, centímetro a centímetro,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
libra por libra y dólar por dólar,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
ninguno de nosotros podría sacar más provecho de ese espacio
12:17
like the Boston Shuffler could.
307
722000
3000
que la Mezcla de Boston.
12:20
But if you zoom out,
308
725000
2000
Pero si nos alejamos,
12:22
if you zoom out,
309
727000
2000
si nos alejamos,
12:24
you would see an 825-mile trench
310
729000
4000
veremos una zanja de 1 300 kilómetros
12:28
between New York City and Chicago
311
733000
2000
entre Nueva York y Chicago
12:30
that's been built over the last few years
312
735000
2000
construida en los últimos años
12:32
by a company called Spread Networks.
313
737000
3000
por una compañía llamada Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Este es un cable de fibra óptica
12:37
that was laid between those two cities
315
742000
2000
colocado entre las dos ciudades
12:39
to just be able to traffic one signal
316
744000
3000
solamente para hacer pasar una señal
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 veces más rápido que el clic de un mouse,
12:45
just for these algorithms,
318
750000
3000
solo para estos algoritmos,
12:48
just for the Carnival and the Knife.
319
753000
3000
el Carnaval y el Cuchillo.
12:51
And when you think about this,
320
756000
2000
Y cuando pensamos en esto,
12:53
that we're running through the United States
321
758000
2000
que estamos atravesando los Estados Unidos
12:55
with dynamite and rock saws
322
760000
3000
con dinamita y sierras de roca
12:58
so that an algorithm can close the deal
323
763000
2000
para que un algoritmo pueda cerrar un contrato
13:00
three microseconds faster,
324
765000
3000
3 microsegundos más rápido,
13:03
all for a communications framework
325
768000
2000
todo en un marco de comunicaciones
13:05
that no human will ever know,
326
770000
4000
que ningún ser humano sabrá nunca,
13:09
that's a kind of manifest destiny;
327
774000
3000
es una especie de destino manifiesto
13:12
and we'll always look for a new frontier.
328
777000
3000
que siempre buscará una nueva frontera.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Pero aún tenemos mucho trabajo por hacer.
13:18
This is just theoretical.
330
783000
2000
Todo eso es solo teoría
13:20
This is some mathematicians at MIT.
331
785000
2000
de unos matemáticos del MIT.
13:22
And the truth is I don't really understand
332
787000
2000
Y la verdad es que no entiendo
13:24
a lot of what they're talking about.
333
789000
2000
mucho de lo que hablan.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Se trata de conos luminosos y conexiones cuánticas,
13:29
and I don't really understand any of that.
335
794000
2000
y realmente no entiendo nada de eso.
13:31
But I can read this map,
336
796000
2000
Pero puedo leer este mapa
13:33
and what this map says
337
798000
2000
que dice
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
que si tratamos de hacer dinero en los mercados donde están los puntos rojos,
13:38
that's where people are, where the cities are,
339
803000
2000
que es donde está la gente, donde están las ciudades,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
vamos a tener que poner los servidores en los puntos azules
13:43
to do that most effectively.
341
808000
2000
para tener el máximo de eficiencia.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Y habrán notado que los puntos azules
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
están mayormente en medio del océano.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Así que vamos a tener que crear burbujas
13:54
or platforms.
345
819000
2000
o plataformas.
13:56
We'll actually part the water
346
821000
2000
En realidad, vamos a compartir el agua
13:58
to pull money out of the air,
347
823000
2000
para sacar dinero del aire
14:00
because it's a bright future
348
825000
2000
porque allí hay un futuro brillante
14:02
if you're an algorithm.
349
827000
2000
si somos algoritmos.
14:04
(Laughter)
350
829000
2000
(Risas)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Y en realidad, el dinero no es lo que más nos interesa,
14:09
It's what the money motivates,
352
834000
2000
sino la motivación que trae el dinero.
14:11
that we're actually terraforming
353
836000
2000
El hecho de transformar
14:13
the Earth itself
354
838000
2000
el planeta mismo
14:15
with this kind of algorithmic efficiency.
355
840000
2000
con este tipo de eficiencia algorítmica.
14:17
And in that light,
356
842000
2000
A la luz de esto,
14:19
you go back
357
844000
2000
volvemos a ver
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
las fotografías de Michael Najjar
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
y nos damos cuenta de que no son metafóricas, son proféticas.
14:26
They're prophecy
360
851000
2000
Se anticipan
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
a los efectos sísmicos, terrestres
14:32
of the math that we're making.
362
857000
2000
de las matemáticas que hacemos.
14:34
And the landscape was always made
363
859000
3000
Y el paisaje siempre ha estado configurado
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
por este tipo de colaboración extraña y difícil
14:40
between nature and man.
365
865000
3000
entre la naturaleza y el hombre.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Pero ahora existe esta tercera fuerza coevolutiva: los algoritmos;
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
la Mezcla de Boston, el Carnaval.
14:49
And we will have to understand those as nature,
368
874000
3000
Y vamos a tener que entenderlos como parte de la naturaleza.
14:52
and in a way, they are.
369
877000
2000
Y de una manera, lo son.
14:54
Thank you.
370
879000
2000
Gracias.
14:56
(Applause)
371
881000
20000
(Aplausos)
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