TEDGlobal 2012
Shyam Sankar: The rise of human-computer cooperation
Shyam Sankar: El auge de la cooperación entre seres humanos y computadoras
Filmed:
Readability: 6.3
947,418 views
La fuerza bruta de la computación por sí sola no puede resolver los problemas del mundo. El innovador en minería de datos Shyam Sankar explica por qué resolver grandes problemas (como atrapar terroristas o identificar enormes tendencias escondidas) no es cuestión de encontrar el algoritmo correcto, sino más bien la correcta relación simbiótica entre la computación y la creatividad humana.
Shyam Sankar - Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio
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 games of chess.
0
512
2556
Quiero hablarles sobre dos partidas de ajedrez.
00:18
The first happened in 1997, in which Garry Kasparov,
1
3068
3864
La primera fue en 1997, cuando Garry Kasparov,
00:22
a human, lost to Deep Blue, a machine.
2
6932
3716
un humano, perdió ante Deep Blue, una máquina.
00:26
To many, this was the dawn of a new era,
3
10648
2240
Para muchos, este era el inicio de una nueva era,
00:28
one where man would be dominated by machine.
4
12888
2779
en la que las máquinas dominarían a los hombres.
00:31
But here we are, 20 years on, and the greatest change
5
15667
3334
Sin embargo aquí estamos, 20 años después,
00:34
in how we relate to computers is the iPad,
6
19001
2690
y el mayor cambio en nuestra relación con las computadoras
00:37
not HAL.
7
21691
2045
es el iPad, no HAL.
00:39
The second game was a freestyle chess tournament
8
23736
2648
La segunda partida fue durante un torneo de ajedrez libre, en 2005,
00:42
in 2005, in which man and machine could enter together
9
26384
2969
en el que
hombre y máquina podían inscribirse como equipo
hombre y máquina podían inscribirse como equipo
00:45
as partners, rather than adversaries, if they so chose.
10
29353
4666
y no como adversarios, si así lo deseaban.
00:49
At first, the results were predictable.
11
34019
1851
Al principio se tuvieron resultados predecibles;
00:51
Even a supercomputer was beaten by a grandmaster
12
35870
2497
incluso un Gran Maestro derrotó a una supercomputadora
00:54
with a relatively weak laptop.
13
38367
2312
con un computador portátil más bien de bajo desempeño.
00:56
The surprise came at the end. Who won?
14
40679
2985
La sorpresa llegó al final: ¿quién ganó?
00:59
Not a grandmaster with a supercomputer,
15
43664
2776
No un Gran Maestro con una supercomputadora,
01:02
but actually two American amateurs
16
46440
1493
sino dos aficionados norteamericanos
01:03
using three relatively weak laptops.
17
47933
3822
con tres portátiles más bien de bajo desempeño.
01:07
Their ability to coach and manipulate their computers
18
51755
2596
Su habilidad para instruir y
manipular sus computadoras
manipular sus computadoras
01:10
to deeply explore specific positions
19
54351
2435
para explorar posiciones específicas en profundidad
01:12
effectively counteracted the superior chess knowledge
20
56786
2390
contrarrestó con eficacia
los conocimientos superiores en ajedrez
los conocimientos superiores en ajedrez
01:15
of the grandmasters and the superior computational power
21
59176
2609
de los Grandes Maestros
y el poder superior de computación
y el poder superior de computación
01:17
of other adversaries.
22
61785
1909
de otros adversarios.
01:19
This is an astonishing result: average men,
23
63694
2905
Este es un resultado increíble: hombres promedio
01:22
average machines beating the best man, the best machine.
24
66599
4081
y máquinas convencionales que vencen
al mejor hombre, a la mejor máquina.
al mejor hombre, a la mejor máquina.
01:26
And anyways, isn't it supposed to be man versus machine?
25
70680
3199
Y además, ¿no se supone que se trata del hombre contra la máquina?
01:29
Instead, it's about cooperation, and the right type of cooperation.
26
73879
4152
En cambio, se trata de cooperación
y del tipo correcto de cooperación.
y del tipo correcto de cooperación.
01:33
We've been paying a lot of attention to Marvin Minsky's
27
78031
2857
Durante los últimos 50 años, hemos prestado mucha atención a la visión
01:36
vision for artificial intelligence over the last 50 years.
28
80888
3242
que tiene Marvin Minsky de la inteligencia artificial
01:40
It's a sexy vision, for sure. Many have embraced it.
29
84130
2262
Es una visión atractiva, por supuesto;
muchos la han adoptado.
muchos la han adoptado.
01:42
It's become the dominant school of thought in computer science.
30
86392
2753
Se ha convertido en la escuela dominante de pensamiento en la ciencia de la computación.
01:45
But as we enter the era of big data, of network systems,
31
89145
3072
Pero a medida que entramos en la era de los grandes volúmenes de datos, de los sistemas de red,
01:48
of open platforms, and embedded technology,
32
92217
2698
de las plataformas abiertas
y de la tecnología embebida,
y de la tecnología embebida,
01:50
I'd like to suggest it's time to reevaluate an alternative vision
33
94915
3392
quiero sugerir que es tiempo
de reevaluar una visión alternativa
de reevaluar una visión alternativa
01:54
that was actually developed around the same time.
34
98307
3070
que en realidad se desarrolló en la misma época.
01:57
I'm talking about J.C.R. Licklider's human-computer symbiosis,
35
101377
3332
Me refiero a la idea de la simbiosis
humano-computadora, de J.C.R. Licklider,
humano-computadora, de J.C.R. Licklider,
02:00
perhaps better termed "intelligence augmentation," I.A.
36
104709
3808
tal vez mejor llamada
«aumento de la inteligencia», o I.A. (en inglés)
«aumento de la inteligencia», o I.A. (en inglés)
02:04
Licklider was a computer science titan who had a profound
37
108517
2640
Licklider fue un titán de la informática
que tuvo un impacto profundo
que tuvo un impacto profundo
02:07
effect on the development of technology and the Internet.
38
111157
3006
en el desarrollo de la tecnología
y de internet.
y de internet.
02:10
His vision was to enable man and machine to cooperate
39
114163
2868
Su visión era la de habilitar la cooperación
entre hombre y máquina
entre hombre y máquina
02:12
in making decisions, controlling complex situations
40
117031
3590
en la toma de decisiones,
y controlar situaciones complejas
y controlar situaciones complejas
02:16
without the inflexible dependence
41
120621
1770
sin la dependencia inflexible
02:18
on predetermined programs.
42
122391
2533
de programas predeterminados.
02:20
Note that word "cooperate."
43
124924
2498
Fíjense en la palabra «cooperación».
02:23
Licklider encourages us not to take a toaster
44
127422
2747
Licklider nos alienta, no a tomar un tostador
02:26
and make it Data from "Star Trek,"
45
130169
2284
y convertirlo en «Data», de «Star Trek»,
02:28
but to take a human and make her more capable.
46
132453
3535
sino a tomar a un ser humano y hacerlo más capaz.
02:31
Humans are so amazing -- how we think,
47
135988
1911
Los humanos somos tan sorprendentes...
cómo pensamos,
cómo pensamos,
02:33
our non-linear approaches, our creativity,
48
137899
2618
nuestros enfoques no lineales, nuestra creatividad,
02:36
iterative hypotheses, all very difficult if possible at all
49
140517
2131
las hipótesis iterativas;
todo esto es muy difícil, si no imposible,
todo esto es muy difícil, si no imposible,
02:38
for computers to do.
50
142648
1345
para las computadoras.
02:39
Licklider intuitively realized this, contemplating humans
51
143993
2452
Licklider se dio cuenta de esto intuitivamente
al contemplar a los humanos
al contemplar a los humanos
02:42
setting the goals, formulating the hypotheses,
52
146445
2327
establecer las metas, formular las hipótesis,
02:44
determining the criteria, and performing the evaluation.
53
148772
3376
determinar los criterios y realizar la evaluación.
02:48
Of course, in other ways, humans are so limited.
54
152148
1775
Por supuesto, los humanos somos muy limitados
en otras áreas.
en otras áreas.
02:49
We're terrible at scale, computation and volume.
55
153923
3235
Somos muy malos para grandes escalas, volumen y para computar.
02:53
We require high-end talent management
56
157158
1836
Necesitamos una gestión superior de talento
02:54
to keep the rock band together and playing.
57
158994
2064
para mantener al grupo de rock unido y tocando.
02:56
Licklider foresaw computers doing all the routinizable work
58
161058
2204
Licklider previó que las computadoras
harían todo el trabajo rutinario
harían todo el trabajo rutinario
02:59
that was required to prepare the way for insights and decision making.
59
163262
3276
que se necesitaba para preparar el camino
al conocimiento y la toma de decisiones.
al conocimiento y la toma de decisiones.
03:02
Silently, without much fanfare,
60
166538
2224
En silencio, sin mucha fanfarria,
03:04
this approach has been compiling victories beyond chess.
61
168762
3354
este enfoque ha ido acumulando triunfos
más allá del ajedrez.
más allá del ajedrez.
03:08
Protein folding, a topic that shares the incredible expansiveness of chess —
62
172116
3356
El plegamiento de proteínas, un tema que comparte con el ajedrez la increíble expansividad:
03:11
there are more ways of folding a protein than there are atoms in the universe.
63
175472
3042
hay más formas de plegar una proteína
que átomos en el universo.
que átomos en el universo.
03:14
This is a world-changing problem with huge implications
64
178514
2353
Este es un problema capaz de cambiar el mundo
con enormes repercusiones
con enormes repercusiones
03:16
for our ability to understand and treat disease.
65
180867
2308
en nuestra capacidad para comprender
y tratar las enfermedades.
y tratar las enfermedades.
03:19
And for this task, supercomputer field brute force simply isn't enough.
66
183175
4248
Y para esta tarea, la fuerza bruta de las supercomputadoras simplemente no basta.
03:23
Foldit, a game created by computer scientists,
67
187423
2384
«Foldit», un juego creado por
científicos de la informática,
científicos de la informática,
03:25
illustrates the value of the approach.
68
189807
2502
ilustra el valor de este enfoque.
03:28
Non-technical, non-biologist amateurs play a video game
69
192309
3041
Aficionados sin formación en tecnología ni biología
juegan un videojuego
juegan un videojuego
03:31
in which they visually rearrange the structure of the protein,
70
195350
3073
en el que reordenan visualmente
la estructura de la proteína,
la estructura de la proteína,
03:34
allowing the computer to manage the atomic forces
71
198423
1499
permitiendo que la computadora
se encargue de las fuerzas atómicas
se encargue de las fuerzas atómicas
03:35
and interactions and identify structural issues.
72
199922
2957
de las interacciones
y de identificar los problemas estructurales.
y de identificar los problemas estructurales.
03:38
This approach beat supercomputers 50 percent of the time
73
202879
3023
Este enfoque ha vencido a las supercomputadoras
el 50 % de las veces
el 50 % de las veces
03:41
and tied 30 percent of the time.
74
205902
2584
y ha empatado con ellas el 30 %.
03:44
Foldit recently made a notable and major scientific discovery
75
208486
3137
«Foldit» realizó hace poco
un descubrimiento científico importante
un descubrimiento científico importante
03:47
by deciphering the structure of the Mason-Pfizer monkey virus.
76
211623
3160
al descifrar la estructura del virus Mason-Pfizer de los monos.
03:50
A protease that had eluded determination for over 10 years
77
214783
3015
Una proteasa que no había podido ser determinada
en más de 10 años
en más de 10 años
03:53
was solved was by three players in a matter of days,
78
217798
2626
fue resuelta por tres jugadores en cuestión de días;
03:56
perhaps the first major scientific advance
79
220424
2025
tal vez el primer avance científico importante
03:58
to come from playing a video game.
80
222449
2323
que haya surgido de jugar un videojuego.
04:00
Last year, on the site of the Twin Towers,
81
224772
2181
El año pasado, en el sitio de las Torres Gemelas,
04:02
the 9/11 memorial opened.
82
226953
1473
se inauguró el monumento 9/11.
04:04
It displays the names of the thousands of victims
83
228426
2721
Muestra los nombres de miles de víctimas,
04:07
using a beautiful concept called "meaningful adjacency."
84
231147
3063
usando un hermoso concepto
llamado «colindancia significativa».
llamado «colindancia significativa».
04:10
It places the names next to each other based on their
85
234210
2166
Coloca los nombres uno junto a otro en función de
04:12
relationships to one another: friends, families, coworkers.
86
236376
2213
las relaciones que tenían entre sí:
amigos, familias,
amigos, familias,
04:14
When you put it all together, it's quite a computational
87
238589
3028
compañeros de trabajo.
Hacer encajar todo es un considerable
Hacer encajar todo es un considerable
04:17
challenge: 3,500 victims, 1,800 adjacency requests,
88
241617
4223
desafío computacional:
3500 víctimas, 1800 pedidos de colindancia,
3500 víctimas, 1800 pedidos de colindancia,
04:21
the importance of the overall physical specifications
89
245840
3092
la importancia de
las especificaciones físicas generales
las especificaciones físicas generales
04:24
and the final aesthetics.
90
248932
2137
y la estética final.
04:26
When first reported by the media, full credit for such a feat
91
251069
2615
En el primer informe de la prensa
se dio crédito total por tal hazaña
se dio crédito total por tal hazaña
04:29
was given to an algorithm from the New York City
92
253684
1892
a un algoritmo de una compañía de diseño
en Nueva York
en Nueva York
04:31
design firm Local Projects. The truth is a bit more nuanced.
93
255576
4001
llamada «Local Projects».
La verdad es un poco más sutil.
La verdad es un poco más sutil.
04:35
While an algorithm was used to develop the underlying framework,
94
259577
2871
Si bien se utilizó un algoritmo
para desarrollar la estructura base,
para desarrollar la estructura base,
04:38
humans used that framework to design the final result.
95
262448
3008
fueron seres humanos quienes usaron esa estructura
para diseñar el resultado final.
para diseñar el resultado final.
04:41
So in this case, a computer had evaluated millions
96
265456
2225
Así que, en este caso, una computadora
evaluó los millones
evaluó los millones
04:43
of possible layouts, managed a complex relational system,
97
267681
3335
de diseños posibles,
manejó un sistema relacional complejo
manejó un sistema relacional complejo
04:46
and kept track of a very large set of measurements
98
271016
2414
y monitoreó un gran conjunto de mediciones
04:49
and variables, allowing the humans to focus
99
273430
2410
y variables, lo que permitió a los humanos enfocarse
04:51
on design and compositional choices.
100
275840
2802
en el diseño y las alternativas de composición.
04:54
So the more you look around you,
101
278642
1036
Entre más miren a su alrededor,
04:55
the more you see Licklider's vision everywhere.
102
279678
1962
más verán por todos lados la visión de Licklider.
04:57
Whether it's augmented reality in your iPhone or GPS in your car,
103
281640
3304
Ya sea la realidad aumentada en su iPhone
o el GPS en su auto,
o el GPS en su auto,
05:00
human-computer symbiosis is making us more capable.
104
284944
2970
la simbiosis humano-computadora
nos está volviendo más capaces.
nos está volviendo más capaces.
05:03
So if you want to improve human-computer symbiosis,
105
287914
1655
Entonces, si quieren mejorar
la simbiosis humano-computadora,
la simbiosis humano-computadora,
05:05
what can you do?
106
289569
1429
¿qué pueden hacer?
05:06
You can start by designing the human into the process.
107
290998
2452
Pueden empezar por incluir al ser humano
en el diseño del proceso.
en el diseño del proceso.
05:09
Instead of thinking about what a computer will do to solve the problem,
108
293450
2204
En vez de pensar qué hará una computadora
para resolver el problema,
para resolver el problema,
05:11
design the solution around what the human will do as well.
109
295654
3869
diseñen la solución en función de
lo que hará el ser humano también.
lo que hará el ser humano también.
05:15
When you do this, you'll quickly realize that you spent
110
299523
1937
Al hacer esto, pronto se darán cuenta de que han pasado
05:17
all of your time on the interface between man and machine,
111
301460
2879
todo su tiempo en la interfaz
entre hombre y máquina,
entre hombre y máquina,
05:20
specifically on designing away the friction in the interaction.
112
304339
3099
específicamente en el diseño
para eliminar la fricción en la interacción.
para eliminar la fricción en la interacción.
05:23
In fact, this friction is more important than the power
113
307438
2766
De hecho, esta fricción
es más importante que el poder
es más importante que el poder
05:26
of the man or the power of the machine
114
310204
2052
del hombre o de la máquina
05:28
in determining overall capability.
115
312256
1931
para determinar la capacidad total.
05:30
That's why two amateurs with a few laptops
116
314187
1977
Es por eso que dos aficionados con unas cuantas computadoras portátiles
05:32
handily beat a supercomputer and a grandmaster.
117
316164
2456
vencieron fácilmente a una supercomputadora
y a un Gran Maestro.
y a un Gran Maestro.
05:34
What Kasparov calls process is a byproduct of friction.
118
318620
3005
Lo que Kasparov llama proceso
es un subproducto de la fricción.
es un subproducto de la fricción.
05:37
The better the process, the less the friction.
119
321625
2401
Cuanto mejor sea el proceso,
menor será la fricción,
menor será la fricción,
05:39
And minimizing friction turns out to be the decisive variable.
120
324026
4256
y minimizar la fricción resulta ser la variable decisiva.
05:44
Or take another example: big data.
121
328282
2243
O bien, tomen otro ejemplo:
los grandes volúmenes de datos.
los grandes volúmenes de datos.
05:46
Every interaction we have in the world is recorded
122
330525
1906
Nuestras interacciones con en el mundo
se registran
se registran
05:48
by an ever growing array of sensors: your phone,
123
332431
3059
por una variedad de sensores cada vez mayor: teléfonos,
05:51
your credit card, your computer. The result is big data,
124
335490
2373
tarjetas de crédito, computadoras.
El resultado es el gran volumen de datos;
El resultado es el gran volumen de datos;
05:53
and it actually presents us with an opportunity
125
337863
1742
y en realidad nos ofrece la oportunidad de
05:55
to more deeply understand the human condition.
126
339605
2662
entender más profundamente la condición humana.
05:58
The major emphasis of most approaches to big data
127
342267
2305
El mayor énfasis de casi todos los enfoques
al alto volumen de datos
al alto volumen de datos
06:00
focus on, "How do I store this data? How do I search
128
344572
2215
se centra en: «¿Cómo almaceno estos datos?,
06:02
this data? How do I process this data?"
129
346787
2276
¿cómo busco estos datos?,
¿cómo proceso estos datos?»
¿cómo proceso estos datos?»
06:04
These are necessary but insufficient questions.
130
349063
2204
Estas preguntas son necesarias, pero insuficientes.
06:07
The imperative is not to figure out how to compute,
131
351267
2471
El imperativo no es resolver cómo computar,
06:09
but what to compute. How do you impose human intuition
132
353738
2184
sino qué computar.
¿Cómo se aplica la intuición humana
¿Cómo se aplica la intuición humana
06:11
on data at this scale?
133
355922
1791
sobre los datos a esta escala?
06:13
Again, we start by designing the human into the process.
134
357713
3499
De nuevo, empezamos por incluir al ser humano
en el diseño del proceso.
en el diseño del proceso.
06:17
When PayPal was first starting as a business, their biggest
135
361212
2812
En los inicios de la compañía «PayPal»,
06:19
challenge was not, "How do I send money back and forth online?"
136
364024
2804
su mayor desafío no fue:
cómo enviar y recibir dinero en línea,
cómo enviar y recibir dinero en línea,
06:22
It was, "How do I do that without being defrauded by organized crime?"
137
366828
3872
sino cómo enviarlo
sin ser estafado por el crimen organizado.
sin ser estafado por el crimen organizado.
06:26
Why so challenging? Because while computers can learn
138
370700
2088
¿Por qué tanto desafío?
Porque las computadoras pueden aprender
Porque las computadoras pueden aprender
06:28
to detect and identify fraud based on patterns,
139
372788
3144
a detectar fraudes con base en patrones,
06:31
they can't learn to do that based on patterns
140
375932
1479
pero no pueden aprender a hacerlo
con base en patrones
con base en patrones
06:33
they've never seen before, and organized crime
141
377411
2116
que nunca han visto, y el crimen organizado
06:35
has a lot in common with this audience: brilliant people,
142
379527
2709
tiene mucho en común con este público:
es gente brillante,
es gente brillante,
06:38
relentlessly resourceful, entrepreneurial spirit — (Laughter) —
143
382236
3640
incansablemente ingeniosa,
con un espíritu emprendedor —(Risas)—
con un espíritu emprendedor —(Risas)—
06:41
and one huge and important difference: purpose.
144
385876
2712
y una diferencia enorme y muy importante:
sus intenciones.
sus intenciones.
06:44
And so while computers alone can catch all but the cleverest
145
388588
2832
Si bien las computadoras por sí solas pueden atrapar a todos los estafadores
06:47
fraudsters, catching the cleverest is the difference
146
391420
2253
excepto a los más astutos,
06:49
between success and failure.
147
393673
2545
atrapar a los más astutos hace la diferencia
entre el éxito y el fracaso.
entre el éxito y el fracaso.
06:52
There's a whole class of problems like this, ones with
148
396218
2221
Hay toda una clase de problemas como este,
que tienen
que tienen
06:54
adaptive adversaries. They rarely if ever present with a
149
398439
2575
adversarios adaptables. Rara vez presentan
06:56
repeatable pattern that's discernable to computers.
150
401014
2736
un patrón repetitivo
que las computadoras puedan discernir.
que las computadoras puedan discernir.
06:59
Instead, there's some inherent component of innovation or disruption,
151
403750
3993
Al contrario, hay un componente intrínseco
de innovación o disrupción,
de innovación o disrupción,
07:03
and increasingly these problems are buried in big data.
152
407743
2735
y se esconden cada vez más
entre el alto volumen de datos.
entre el alto volumen de datos.
07:06
For example, terrorism. Terrorists are always adapting
153
410478
2500
El terrorismo, por ejemplo.
Los terroristas se adaptan siempre
Los terroristas se adaptan siempre
07:08
in minor and major ways to new circumstances, and despite
154
412978
2052
en mayor o menor medida a
circunstancias nuevas.
circunstancias nuevas.
07:10
what you might see on TV, these adaptations,
155
415030
3094
Y a pesar de lo que puedan ver en la TV,
estas adaptaciones
estas adaptaciones
07:14
and the detection of them, are fundamentally human.
156
418124
2293
y su detección son fundamentalmente humanas.
07:16
Computers don't detect novel patterns and new behaviors,
157
420417
3117
Las computadoras no detectan
patrones y comportamientos novedosos,
patrones y comportamientos novedosos,
07:19
but humans do. Humans, using technology, testing hypotheses,
158
423534
3235
pero los seres humanos sí. Los seres humanos,
al usar tecnología, al probar una hipótesis,
al usar tecnología, al probar una hipótesis,
07:22
searching for insight by asking machines to do things for them.
159
426769
4620
al buscar entendimiento
al pedir a las máquinas que hagan cosas por ellos.
al pedir a las máquinas que hagan cosas por ellos.
07:27
Osama bin Laden was not caught by artificial intelligence.
160
431389
2320
La inteligencia artificial no atrapó
a Osama Bin Laden.
a Osama Bin Laden.
07:29
He was caught by dedicated, resourceful, brilliant people
161
433709
2553
Lo atraparon personas
entregadas, ingeniosas y brillantes
entregadas, ingeniosas y brillantes
07:32
in partnerships with various technologies.
162
436262
4269
en asociación con tecnologías varias.
07:36
As appealing as it might sound, you cannot algorithmically
163
440531
2818
Aunque suene atractivo,
no se puede llegar a una respuesta
no se puede llegar a una respuesta
07:39
data mine your way to the answer.
164
443349
1601
haciendo minería de datos algorítmicamente.
07:40
There is no "Find Terrorist" button, and the more data
165
444950
2855
No existe un botón que diga «Encontrar Terrorista»,
y mientras más datos
y mientras más datos
07:43
we integrate from a vast variety of sources
166
447805
2302
integremos de una amplia variedad de fuentes
07:46
across a wide variety of data formats from very
167
450107
2133
y sobre una gran variedad de formatos de
07:48
disparate systems, the less effective data mining can be.
168
452240
3309
sistemas muy dispares,
menos efectiva será la minería de datos.
menos efectiva será la minería de datos.
07:51
Instead, people will have to look at data
169
455549
2024
En vez de esto, la gente tendrá que mirar los datos
07:53
and search for insight, and as Licklider foresaw long ago,
170
457573
3456
y buscar respuestas,
y como lo predijo Licklider hace tiempo,
y como lo predijo Licklider hace tiempo,
07:56
the key to great results here is the right type of cooperation,
171
461029
2685
la clave de los grandes resultados
es la forma correcta de cooperación;
es la forma correcta de cooperación;
07:59
and as Kasparov realized,
172
463714
1524
y como lo notó Kasparov,
08:01
that means minimizing friction at the interface.
173
465238
3031
eso significa minimizar la fricción en la interfaz.
08:04
Now this approach makes possible things like combing
174
468269
2758
Este enfoque posibilita procesos como la exploración
08:06
through all available data from very different sources,
175
471027
3386
de todos los datos disponibles provenientes de fuentes muy diferentes,
08:10
identifying key relationships and putting them in one place,
176
474413
2792
identificar relaciones clave
y ponerlas en un mismo lugar,
y ponerlas en un mismo lugar,
08:13
something that's been nearly impossible to do before.
177
477205
2928
algo que antes era casi imposible de hacer.
08:16
To some, this has terrifying privacy and civil liberties
178
480133
1942
Para algunos, esto conlleva consecuencias aterradoras para la privacidad
08:17
implications. To others it foretells of an era of greater
179
482075
3410
y las libertades civiles.
Para otros, presagia una era de mayor
Para otros, presagia una era de mayor
08:21
privacy and civil liberties protections,
180
485485
1909
protección de las mismas.
08:23
but privacy and civil liberties are of fundamental importance.
181
487394
2936
Pero, la privacidad y las libertades civiles
son de capital importancia.
son de capital importancia.
08:26
That must be acknowledged, and they can't be swept aside,
182
490330
2193
Esto tiene que ser reconocido,
y no se pueden dejar de lado
y no se pueden dejar de lado
08:28
even with the best of intents.
183
492523
2530
ni con la mejor de las intenciones.
08:30
So let's explore, through a couple of examples, the impact
184
495053
2518
Así que exploremos, mediante un par de ejemplos,
el impacto
el impacto
08:33
that technologies built to drive human-computer symbiosis
185
497571
2406
que las tecnologías construidas
para impulsar la simbiosis humano-computadora
para impulsar la simbiosis humano-computadora
08:35
have had in recent time.
186
499977
2919
han tenido en los últimos tiempos.
08:38
In October, 2007, U.S. and coalition forces raided
187
502896
3416
En octubre del 2007,
los EE. UU. y las fuerzas de coalición incursionaron
los EE. UU. y las fuerzas de coalición incursionaron
08:42
an al Qaeda safe house in the city of Sinjar
188
506312
2416
en una casa de seguridad de Al Qaeda
en la ciudad de Sinjar
en la ciudad de Sinjar
08:44
on the Syrian border of Iraq.
189
508728
1934
en la frontera sirio-iraquí.
08:46
They found a treasure trove of documents:
190
510662
2376
Encontraron un tesoro de documentos:
08:48
700 biographical sketches of foreign fighters.
191
513038
2335
700 esbozos biográficos
de combatientes extranjeros.
de combatientes extranjeros.
08:51
These foreign fighters had left their families in the Gulf,
192
515373
2584
Estos combatientes
habían dejado a sus familias en el golfo,
habían dejado a sus familias en el golfo,
08:53
the Levant and North Africa to join al Qaeda in Iraq.
193
517957
3146
en el Levante mediterráneo y el norte de África
para unirse a Al Qaeda en Iraq.
para unirse a Al Qaeda en Iraq.
08:57
These records were human resource forms.
194
521103
1616
Estos registros
eran formularios de recursos humanos;
eran formularios de recursos humanos;
08:58
The foreign fighters filled them out as they joined the organization.
195
522719
2855
los combatientes extranjeros
los completaban al unirse a la organización.
los completaban al unirse a la organización.
09:01
It turns out that al Qaeda, too,
196
525574
1211
Resulta que también Al Qaeda
09:02
is not without its bureaucracy. (Laughter)
197
526785
2597
tiene su burocracia. (Risas)
09:05
They answered questions like, "Who recruited you?"
198
529382
2098
Respondían a preguntas como:
«¿Quién te reclutó?»,
«¿Quién te reclutó?»,
09:07
"What's your hometown?" "What occupation do you seek?"
199
531480
2854
«¿Cuál es tu ciudad natal?»,
«¿Qué ocupación buscas?»
«¿Qué ocupación buscas?»
09:10
In that last question, a surprising insight was revealed.
200
534334
3169
Con esta última pregunta,
se reveló un dato sorprendente.
se reveló un dato sorprendente.
09:13
The vast majority of foreign fighters
201
537503
2400
La gran mayoría de los combatientes extranjeros
09:15
were seeking to become suicide bombers for martyrdom --
202
539903
2400
buscaban ser hombres bomba
para convertirse en mártires...
para convertirse en mártires...
09:18
hugely important, since between 2003 and 2007, Iraq
203
542303
4338
De tremenda importancia, ya que entre 2003 y 2007,
09:22
had 1,382 suicide bombings, a major source of instability.
204
546641
4244
Iraq sufrió 1382 ataques suicidas,
una gran fuente de inestabilidad.
una gran fuente de inestabilidad.
09:26
Analyzing this data was hard. The originals were sheets
205
550885
2058
Analizar estos datos fue difícil.
Los originales eran hojas
Los originales eran hojas
09:28
of paper in Arabic that had to be scanned and translated.
206
552943
2742
de papel escritas en árabe
que debieron ser escaneadas y traducidas.
que debieron ser escaneadas y traducidas.
09:31
The friction in the process did not allow for meaningful
207
555685
2192
La fricción en el proceso
no permitió obtener resultados
no permitió obtener resultados
09:33
results in an operational time frame using humans, PDFs
208
557877
3350
significativos en un plazo de tiempo operativo
usando solo seres humanos, PDFs
usando solo seres humanos, PDFs
09:37
and tenacity alone.
209
561227
2218
y tenacidad.
09:39
The researchers had to lever up their human minds
210
563445
1953
Los investigadores debían
apoyar sus mentes humanas
apoyar sus mentes humanas
09:41
with technology to dive deeper, to explore non-obvious
211
565398
2345
con tecnología para profundizar más,
para explorar hipótesis que no fuesen obvias,
para explorar hipótesis que no fuesen obvias,
09:43
hypotheses, and in fact, insights emerged.
212
567743
3218
y de hecho, surgieron algunas revelaciones.
09:46
Twenty percent of the foreign fighters were from Libya,
213
570961
2644
El 20 % de los combatientes extranjeros
provenían de Libia,
provenían de Libia,
09:49
50 percent of those from a single town in Libya,
214
573605
2968
un 50 % de ellos de una misma ciudad de Libia,
09:52
hugely important since prior statistics put that figure at
215
576573
2450
de tremenda importancia,
ya que estadísticas previas lo calculaban
ya que estadísticas previas lo calculaban
09:54
three percent. It also helped to hone in on a figure
216
579023
2383
en un 3 %. También ayudó a centrarse en un objetivo
09:57
of rising importance in al Qaeda, Abu Yahya al-Libi,
217
581406
2977
de creciente importancia en Al Qaeda,
Abu Yahya al-Libi,
Abu Yahya al-Libi,
10:00
a senior cleric in the Libyan Islamic fighting group.
218
584383
2631
un clérigo de alto rango
en el grupo de combate libio-islámico.
en el grupo de combate libio-islámico.
10:02
In March of 2007, he gave a speech, after which there was
219
587014
2664
En marzo de 2007, este pronunció un discurso,
después del cual se produjo
después del cual se produjo
10:05
a surge in participation amongst Libyan foreign fighters.
220
589678
3466
un repentino aumento
en la participación de combatientes libios.
en la participación de combatientes libios.
10:09
Perhaps most clever of all, though, and least obvious,
221
593144
3106
Quizás lo más ingenioso de todo, sin embargo,
y lo menos obvio,
y lo menos obvio,
10:12
by flipping the data on its head, the researchers were
222
596250
2073
al darle vueltas en la cabeza a los datos,
los investigadores
los investigadores
10:14
able to deeply explore the coordination networks in Syria
223
598323
2900
pudieron explorar en profundidad
las redes de coordinación en Siria
las redes de coordinación en Siria
10:17
that were ultimately responsible for receiving and
224
601223
2517
que eran las responsables finales
de recibir y transportar
de recibir y transportar
10:19
transporting the foreign fighters to the border.
225
603740
2464
a los combatientes extranjeros hacia la frontera.
10:22
These were networks of mercenaries, not ideologues,
226
606204
2633
Estas eran redes de mercenarios, no de ideólogos,
10:24
who were in the coordination business for profit.
227
608837
2398
que estaban en el negocio de la coordinación
por las ganancias.
por las ganancias.
10:27
For example, they charged Saudi foreign fighters
228
611235
1904
Por ejemplo, a los combatientes sauditas les cobraban
10:29
substantially more than Libyans, money that would have
229
613139
2199
considerablemente más que a los libios;
dinero que de otra manera
dinero que de otra manera
10:31
otherwise gone to al Qaeda.
230
615338
2320
habría sido para Al Qaeda.
10:33
Perhaps the adversary would disrupt their own network
231
617658
2045
Tal vez el adversario interrumpiría su propia red
10:35
if they knew they cheating would-be jihadists.
232
619703
3035
si supiera que estaban engañando
a aspirantes a yihadistas.
a aspirantes a yihadistas.
10:38
In January, 2010, a devastating 7.0 earthquake struck Haiti,
233
622738
3745
En enero de 2010, un terremoto devastador
de 7,0 grados sacudió Haití.
de 7,0 grados sacudió Haití.
10:42
third deadliest earthquake of all time, left one million people,
234
626483
2916
El tercer terremoto más letal de la historia,
dejó un millón de personas,
dejó un millón de personas,
10:45
10 percent of the population, homeless.
235
629399
2584
el 10 % de la población, sin hogar.
10:47
One seemingly small aspect of the overall relief effort
236
631983
3137
Un aspecto en apariencia pequeño
de la ayuda humanitaria global
de la ayuda humanitaria global
10:51
became increasingly important as the delivery of food
237
635120
2176
se volvió cada vez más importante cuando comenzó
10:53
and water started rolling.
238
637296
2160
la entrega de agua y alimentos.
10:55
January and February are the dry months in Haiti,
239
639456
1458
Enero y febrero son los meses secos en Haití,
10:56
yet many of the camps had developed standing water.
240
640914
2942
pero en muchos campamentos
se habían formado aguas estancadas.
se habían formado aguas estancadas.
10:59
The only institution with detailed knowledge of Haiti's
241
643856
2122
La única institución con un conocimiento detallado
11:01
floodplains had been leveled
242
645978
1297
de las llanuras aluviales de Haití
se había derrumbado
se había derrumbado
11:03
in the earthquake, leadership inside.
243
647275
3008
durante el terremoto, con sus líderes dentro.
11:06
So the question is, which camps are at risk,
244
650283
2575
Así que la pregunta era:
qué campamentos estaban en riesgo,
qué campamentos estaban en riesgo,
11:08
how many people are in these camps, what's the
245
652858
1921
cuánta gente había en esos campamentos,
cuáles eran los
cuáles eran los
11:10
timeline for flooding, and given very limited resources
246
654779
2311
plazos de las inundaciones
y dados los muy escasos recursos
y dados los muy escasos recursos
11:12
and infrastructure, how do we prioritize the relocation?
247
657090
3384
e infraestructura, cómo priorizar el traslado.
11:16
The data was incredibly disparate. The U.S. Army had
248
660474
2344
Los datos eran increíblemente dispares.
El ejército de los EE.UU. tenía
El ejército de los EE.UU. tenía
11:18
detailed knowledge for only a small section of the country.
249
662818
2929
información detallada
de solo una pequeña porción del país.
de solo una pequeña porción del país.
11:21
There was data online from a 2006 environmental risk
250
665747
2511
Había datos en línea
de una conferencia de riesgo ambiental
de una conferencia de riesgo ambiental
11:24
conference, other geospatial data, none of it integrated.
251
668258
2664
de 2006, otros datos geoespaciales,
nada de ello integrado.
nada de ello integrado.
11:26
The human goal here was to identify camps for relocation
252
670922
2958
La meta humana
era identificar los campamentos a trasladar
era identificar los campamentos a trasladar
11:29
based on priority need.
253
673880
2395
en función de las necesidades prioritarias.
11:32
The computer had to integrate a vast amount of geospacial
254
676275
2440
La computadora debía integrar
una gran cantidad de información geoespacial,
una gran cantidad de información geoespacial,
11:34
information, social media data and relief organization
255
678715
2584
datos de los medios sociales
e información sobre la organización
e información sobre la organización
11:37
information to answer this question.
256
681299
3480
de ayuda humanitaria
para responder a esta pregunta.
para responder a esta pregunta.
11:40
By implementing a superior process, what was otherwise
257
684779
2415
Mediante la implementación de un proceso superior,
lo que habría sido
lo que habría sido
11:43
a task for 40 people over three months became
258
687194
2608
una tarea para 40 personas durante 3 meses,
se volvió
se volvió
11:45
a simple job for three people in 40 hours,
259
689802
3176
un trabajo simple para 3 personas en 40 horas,
11:48
all victories for human-computer symbiosis.
260
692978
2628
todas victorias de la simbiosis humano-computadora.
11:51
We're more than 50 years into Licklider's vision
261
695606
2054
Han pasado más de 50 años
de la visión de Licklider
de la visión de Licklider
11:53
for the future, and the data suggests that we should be
262
697660
2242
para el futuro, y los datos sugieren que
deberíamos sentirnos
deberíamos sentirnos
11:55
quite excited about tackling this century's hardest problems,
263
699902
3030
muy emocionados de poder atacar
los problemas más difíciles del siglo,
los problemas más difíciles del siglo,
11:58
man and machine in cooperation together.
264
702932
2947
hombre y máquina cooperando juntos.
12:01
Thank you. (Applause)
265
705879
2197
Gracias. (Aplausos)
12:03
(Applause)
266
708076
2505
(Aplausos)
ABOUT THE SPEAKER
Shyam Sankar - Data Intelligence AgentAn 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.
Shyam Sankar | Speaker | TED.com