TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
केविन स्लाविन:कैसे एल्गोरिदम हमारी दुनिया को आकार देते हैं
Filmed:
Readability: 3.5
4,199,898 views
केविन स्लाविन का तर्क है कि हम ऐसी दुनिया में रहते हैं जो बनी है- और जिसे तेजी से नियंत्रित कर रहे हैं - एल्गोरिदम. टेड ग्लोबल से इस दिलचस्प बात में, वह दिखाते है कि कैसे यह जटिल कंप्यूटर प्रोग्राम निधारित करते हैं: जासूसी रणनीति, स्टॉक की कीमतें, फिल्म लिपियाँ, और वास्तुकला . और उसने चेतावनी देते हैं है कि हम ऐसा कोड लिख रहे हैं जो हम खुद नहीं समझ सकते, जिनका निहितार्थ हम नियंत्रित नहीं कर सकते.
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
यह एक तस्वीर है
00:17
by the artist Michael Najjar,
1
2000
2000
कलाकार माइकल नज्जार द्वारा,
00:19
and it's real,
2
4000
2000
और यह असली है,
00:21
in the sense that he went there to Argentina
3
6000
2000
मतलब कि वह अर्जेंटीना गए
00:23
to take the photo.
4
8000
2000
इस फोटो के लिए.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
लेकिन यह एक कथा भी है. इसमें बहुत काम हुआ है.
00:28
And what he's done
6
13000
2000
और उन्होंने
00:30
is he's actually reshaped, digitally,
7
15000
2000
एक नया डिजिटल आकार दिया है
00:32
all of the contours of the mountains
8
17000
2000
पहाड़ों की सभी आकृति
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
को डो जोंस सूचकांक के मुताबिक बनाया है.
00:37
So what you see,
10
22000
2000
तो आप देख रहे हैं,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
कि करारा, घाटी के साथ कि उच्च करारा ,
00:41
is the 2008 financial crisis.
12
26000
2000
2008 का वित्तीय संकट है .
00:43
The photo was made
13
28000
2000
यह फोटो बनाया था
00:45
when we were deep in the valley over there.
14
30000
2000
जब हम वहाँ घाटी में थे.
00:47
I don't know where we are now.
15
32000
2000
मुझे नहीं पता है हम अब कहाँ हैं.
00:49
This is the Hang Seng index
16
34000
2000
यह है हैंग सेंग सूचकांक
00:51
for Hong Kong.
17
36000
2000
हांगकांग के लिए .
00:53
And similar topography.
18
38000
2000
और इसी तरह की स्थलाकृति.
00:55
I wonder why.
19
40000
2000
मैं सोचता हूँ क्यों.
00:57
And this is art. This is metaphor.
20
42000
3000
और यह कला. यह रूपक है.
01:00
But I think the point is
21
45000
2000
लेकिन मुझे लगता है कि मुद्दा है
01:02
that this is metaphor with teeth,
22
47000
2000
कि यह दाँत के साथ रूपक है.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
और उन दांत के साथ मैं आज प्रस्ताव करना चाहता हूँ
01:07
that we rethink a little bit
24
52000
2000
कि हम पुनर्विचार करें
01:09
about the role of contemporary math --
25
54000
3000
- समकालीन गणित की भूमिका के बारे में -
01:12
not just financial math, but math in general.
26
57000
3000
न सिर्फ वित्तीय गणित, लेकिन सामान्य में गणित.
01:15
That its transition
27
60000
2000
कि इसका संक्रमण
01:17
from being something that we extract and derive from the world
28
62000
3000
दुनिया से निकाले जाने वाली चीज़ से
01:20
to something that actually starts to shape it --
29
65000
3000
दुनिया को आकृति देने वाली चीज़ में हो रहा है -
01:23
the world around us and the world inside us.
30
68000
3000
हमारे बहार और हमारे अंदर की दुनिया.
01:26
And it's specifically algorithms,
31
71000
2000
और यह विशेष रूप से है एल्गोरिदम (कलनविधि),
01:28
which are basically the math
32
73000
2000
जो मूल रूप से गणित कर रहे हैं
01:30
that computers use to decide stuff.
33
75000
3000
जो कंप्यूटर उपयोग करें.
01:33
They acquire the sensibility of truth
34
78000
2000
वे सत्य की संवेदनशीलता का अधिग्रहण करते हैं,
01:35
because they repeat over and over again,
35
80000
2000
क्योंकि वे दोहराते हैं बार-बार.
01:37
and they ossify and calcify,
36
82000
3000
और वे मुलायम-सख़्त होते हैं बार-बार,
01:40
and they become real.
37
85000
2000
और फिर वे असली हो जाते हैं.
01:42
And I was thinking about this, of all places,
38
87000
3000
और मैं इस बारे में सोच रहा था,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
एक ट्रान्साटलांटिक उड़ान पर दो वर्ष पहले,
01:48
because I happened to be seated
40
93000
2000
क्योंकि मैं बैठा हुआ हो
01:50
next to a Hungarian physicist about my age
41
95000
2000
मेरी उम्र के एक हंगरी के भौतिक विज्ञानी के साथ
01:52
and we were talking
42
97000
2000
और हम बात कर रहे थे
01:54
about what life was like during the Cold War
43
99000
2000
जीवन कैसा था शीत युद्ध के दौरान
01:56
for physicists in Hungary.
44
101000
2000
हंगरी में भौतिकविदों के लिए.
01:58
And I said, "So what were you doing?"
45
103000
2000
और मैंने कहा, "तो आप क्या कर रहे थे?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
और उन्होंने कहा, "हम ज्यादातर छल तोड़ रहे थे."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
और मैंने कहा, "यह एक दिलचस्प काम है..
02:04
How does that work?"
48
109000
2000
कैसे काम करता है? "
02:06
And to understand that,
49
111000
2000
वह समझने के लिए,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
आप को छल कैसे काम करता है यह समझना पड़ेगा.
02:11
And so -- this is an over-simplification --
51
116000
3000
और इसलिए यह सरलीकरण है -
02:14
but basically, it's not like
52
119000
2000
लेकिन ऐसा नहीं है
02:16
you can just pass a radar signal
53
121000
2000
की आप एक रडार संकेत पारित कर सकें
02:18
right through 156 tons of steel in the sky.
54
123000
3000
आकाश में 156 टन इस्पात के आर-पार.
02:21
It's not just going to disappear.
55
126000
3000
यह बस गायब नहीं होने वाला.
02:24
But if you can take this big, massive thing,
56
129000
3000
लेकिन अगर तुम इस बड़ी चीज़े को ले कर,
02:27
and you could turn it into
57
132000
3000
और इसे बदल सकते हो
02:30
a million little things --
58
135000
2000
लाखों छोटी चीज़ों में-
02:32
something like a flock of birds --
59
137000
2000
पक्षियों के एक झुंड की तरह -
02:34
well then the radar that's looking for that
60
139000
2000
तो वह रडार जो उसे देखने की कोशिश कर रहा है
02:36
has to be able to see
61
141000
2000
सक्षम होना चाहिए
02:38
every flock of birds in the sky.
62
143000
2000
आकाश में पक्षियों के हर झुंड को देखने में.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
और अगर आप एक रडार हैं, यह एक बुरा काम है.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
उन्होंने कहा, "हाँ, लेकिन यह तब यदि आप एक रडार हों.
02:47
So we didn't use a radar;
65
152000
2000
तो हमने एक रडार का उपयोग नहीं किया;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
हमने एक ब्लैक बॉक्स बनाया जो विद्युत संकेतों को ढूँढता है,
02:52
electronic communication.
67
157000
3000
इलेक्ट्रॉनिक संचार.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
और, जब भी हमें पक्षियों के झुंड इलेक्ट्रॉनिक संचार करते दीखते हैं
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
हमने सोचा कि शायद इसमें अमेरिकियों का हाथ है."
03:01
And I said, "Yeah.
70
166000
2000
और मैंने कहा, "हाँ.
03:03
That's good.
71
168000
2000
यह अच्छा है.
03:05
So you've effectively negated
72
170000
2000
तो आप ने नकार दिए है
03:07
60 years of aeronautic research.
73
172000
2000
हवाबाज़ी अनुसंधान के 60 साल.
03:09
What's your act two?
74
174000
2000
आप आगे क्या करेंगे?
03:11
What do you do when you grow up?"
75
176000
2000
बड़े होकर? "
03:13
And he said,
76
178000
2000
और उन्होंने कहा,
03:15
"Well, financial services."
77
180000
2000
वित्तीय सेवाएँ.
03:17
And I said, "Oh."
78
182000
2000
और मैंने कहा, "ओह."
03:19
Because those had been in the news lately.
79
184000
3000
क्योंकि वे हाल ही में खबर में थीं .
03:22
And I said, "How does that work?"
80
187000
2000
और मैंने कहा, "कि यह कैसे काम करता है?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
उन्होंने कहा, "वॉल स्ट्रीट पर 2,000 भौतिकवादी हैं,
03:26
and I'm one of them."
82
191000
2000
और मैं उनमें से एक हूँ. "
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
और मैंने कहा, "वॉल स्ट्रीट के लिए ब्लैक बॉक्स क्या है? "
03:31
And he said, "It's funny you ask that,
84
196000
2000
और उन्होंने कहा, "अजीब बात है कि आप ने यह पूछा,
03:33
because it's actually called black box trading.
85
198000
3000
क्योंकि इसे वास्तव में ब्लैक बॉक्स व्यापार कहते हैं.
03:36
And it's also sometimes called algo trading,
86
201000
2000
और कभी कभी इसे अलगो व्यापार भी कहा जाता है,
03:38
algorithmic trading."
87
203000
3000
एल्गोरिथमिक व्यापार. "
03:41
And algorithmic trading evolved in part
88
206000
3000
और एल्गोरिथमिक व्यापार विकसित हुआ
03:44
because institutional traders have the same problems
89
209000
3000
क्योंकि संस्थागत व्यापारियों की वही समस्या है
03:47
that the United States Air Force had,
90
212000
3000
जो कि संयुक्त राज्य वायु सेना की थी,
03:50
which is that they're moving these positions --
91
215000
3000
जो है कि वे इन पदों को हिला रहे हैं -
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
अगर यह प्रॉक्टर एंड गैंबल या एक्सेंचर, या कोई और -
03:55
they're moving a million shares of something
93
220000
2000
वे कुछ दस लाख शेयर हिला रहे हैं
03:57
through the market.
94
222000
2000
बाजार के माध्यम से.
03:59
And if they do that all at once,
95
224000
2000
और अगर वे यह सब एक बार में करेंगे ,
04:01
it's like playing poker and going all in right away.
96
226000
2000
यह पोकर में सारे पत्ते खोल देने जैसा है.
04:03
You just tip your hand.
97
228000
2000
तुम बस अपने हाथ दिखाओ
04:05
And so they have to find a way --
98
230000
2000
और इसलिए रास्ता खोजना ज़रूरी था -
04:07
and they use algorithms to do this --
99
232000
2000
और वे इसके लिए एल्गोरिदम का उपयोग करते हैं -
04:09
to break up that big thing
100
234000
2000
उस बड़ी चीज़ को तोड़ने के लिए
04:11
into a million little transactions.
101
236000
2000
दस लाख छोटे लेनदेन में.
04:13
And the magic and the horror of that
102
238000
2000
और उस के जादू और अत्यंत भय
04:15
is that the same math
103
240000
2000
यह है कि एक ही गणित
04:17
that you use to break up the big thing
104
242000
2000
जिससे आप बड़ी चीज़ को तोड़ते हो
04:19
into a million little things
105
244000
2000
दस लाख में
04:21
can be used to find a million little things
106
246000
2000
उसके इस्तमाल से दस लाख छोटी चीजें ढून्ढ
04:23
and sew them back together
107
248000
2000
आप उन्हें एक बना सकते हो
04:25
and figure out what's actually happening in the market.
108
250000
2000
और बाज़ार का आकलन कर सकते हो.
04:27
So if you need to have some image
109
252000
2000
तो अगर आप को आकलन करना है
04:29
of what's happening in the stock market right now,
110
254000
3000
की इस वक़्त शेयर बाजार में क्या हो रहा है,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
आप देख सकते हैं की यह एल्गोरिदम का एक गुच्छा है
04:34
that are basically programmed to hide,
112
259000
3000
जो छिपाने के लिए क्रमादेशित हैं,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
और कुछ एल्गोरिदम जो उन्हें खोजने के लिए क्रमादेशित हैं.
04:40
And all of that's great, and it's fine.
114
265000
3000
और यह सब महान है, ठीक है.
04:43
And that's 70 percent
115
268000
2000
वह 70 प्रतिशत है
04:45
of the United States stock market,
116
270000
2000
संयुक्त राज्य अमेरिका के शेयर बाजार का,
04:47
70 percent of the operating system
117
272000
2000
ऑपरेटिंग सिस्टम का 70 प्रतिशत
04:49
formerly known as your pension,
118
274000
3000
पूर्वता जिस आपकी पेंशन कहते थे,
04:52
your mortgage.
119
277000
3000
आपका र्रिन.
04:55
And what could go wrong?
120
280000
2000
और क्या गलत हो सकता है?
04:57
What could go wrong
121
282000
2000
और क्या गलत हो सकता है?
04:59
is that a year ago,
122
284000
2000
कि एक साल पहले,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
पूरे बाजार के नौ प्रतिशत सिर्फ पांच मिनट में गायब हो जाते हैं,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
और वे इसे २:४५ का अजब-गजब बुलाते हैं.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
अचानक, नौ प्रतिशत गायब,
05:10
and nobody to this day
126
295000
2000
और इस दिन तक कोई नहीं
05:12
can even agree on what happened
127
297000
2000
सहमत हो पाता है की क्या हुआ,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
क्योंकि न ही किसी ने इसका आदेश दिया, न माँगा.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
किसी का इस पर नियंत्रण नहीं था.
05:20
All they had
130
305000
2000
उन के पास सिर्फ था
05:22
was just a monitor in front of them
131
307000
2000
बस एक पर्दा
05:24
that had the numbers on it
132
309000
2000
जिस पर संख्या थी
05:26
and just a red button
133
311000
2000
और सिर्फ एक लाल बटन
05:28
that said, "Stop."
134
313000
2000
जिस पर लिखा था, "बंद करो."
05:30
And that's the thing,
135
315000
2000
और वह बात है,
05:32
is that we're writing things,
136
317000
2000
कि हम लिख रहे हैं,
05:34
we're writing these things that we can no longer read.
137
319000
3000
हम इन चीज़ों को लिख रहे हैं जिन्हें हम पढ़ नहीं सकते.
05:37
And we've rendered something
138
322000
2000
और हमने ऐसी चीज़ तैयार करी है
05:39
illegible,
139
324000
2000
अस्पष्ट.
05:41
and we've lost the sense
140
326000
3000
और हम समझ खो चुके हैं
05:44
of what's actually happening
141
329000
2000
क्या वास्तव में हो रहा है
05:46
in this world that we've made.
142
331000
2000
इस दुनिया में जो हमने बनायीं है.
05:48
And we're starting to make our way.
143
333000
2000
और हम आगे बढ रहे हैं.
05:50
There's a company in Boston called Nanex,
144
335000
3000
बोस्टन में एक कंपनी है नानेक्स,
05:53
and they use math and magic
145
338000
2000
और वे गणित और जादू का उपयोग करते हैं
05:55
and I don't know what,
146
340000
2000
और मुझे नहीं पता
05:57
and they reach into all the market data
147
342000
2000
वे सभी बाजार के आंकड़ों में पहुँच
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
और वे पाते हैं, कभी कभी, इन एल्गोरिदमों में कुछ .
06:02
And when they find them they pull them out
149
347000
3000
उन्हें खोज बहार निकालते हैं
06:05
and they pin them to the wall like butterflies.
150
350000
3000
और वे उन्हें तितलियों की तरह दीवार से चिपका देते हैं .
06:08
And they do what we've always done
151
353000
2000
और वे वही करते हैं जो हम हमेशा करते हैं
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
जब भारी मात्रा में आकडे सामने आते हैं और हमें समझ नहीं आते --
06:13
which is that they give them a name
153
358000
2000
वे उन्हें एक नाम दे देते हैं
06:15
and a story.
154
360000
2000
और एक कहानी.
06:17
So this is one that they found,
155
362000
2000
तो यह एक है ,
06:19
they called the Knife,
156
364000
4000
वे उसे चाकू बुलाते हैं ,
06:23
the Carnival,
157
368000
2000
आनंदोत्सव,
06:25
the Boston Shuffler,
158
370000
4000
बोस्टन पैर घसीटनेवाला,
06:29
Twilight.
159
374000
2000
संध्या.
06:31
And the gag is
160
376000
2000
और झूठ है
06:33
that, of course, these aren't just running through the market.
161
378000
3000
कि, ये सिर्फ बाजार के माध्यम से नहीं चल रहे हैं.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
आप इन प्रकार की चीजों को सब जगह पा सकते हैं,
06:39
once you learn how to look for them.
163
384000
2000
यह जान की इन्हें कैसे ढूँढ़ते हैं.
06:41
You can find it here: this book about flies
164
386000
3000
आप इन्हें यहाँ पा सकते हैं: इस पुस्तक में मक्खियों के बारे में
06:44
that you may have been looking at on Amazon.
165
389000
2000
जो आप अमेज़न पर देख सकते हैं.
06:46
You may have noticed it
166
391000
2000
आपने इन्हें देखा होगा
06:48
when its price started at 1.7 million dollars.
167
393000
2000
जब इसकी कीमत 17 लाख डॉलर पर थी.
06:50
It's out of print -- still ...
168
395000
2000
यह अभी भी ... - प्रिंट से बाहर है
06:52
(Laughter)
169
397000
2000
(हँसी)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
यदि आप ने इसे 17 पर खरीदा होगा, यह एक अच्छा सौदा होता.
06:57
A few hours later, it had gone up
171
402000
2000
कुछ घंटे बाद, यह था
06:59
to 23.6 million dollars,
172
404000
2000
236 लाख डॉलर ,
07:01
plus shipping and handling.
173
406000
2000
और डाक का खर्च.
07:03
And the question is:
174
408000
2000
और सवाल है:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
इसे कोई खरीदने या बेचने वाला नहीं था, क्या हो रहा था?
07:07
And you see this behavior on Amazon
176
412000
2000
और आप अमेज़न पर इस व्यवहार को देख सकते हो
07:09
as surely as you see it on Wall Street.
177
414000
2000
जैसे आप इसे वॉल स्ट्रीट पर देखते हैं.
07:11
And when you see this kind of behavior,
178
416000
2000
और जब आप इस तरह के व्यवहार को देखते हैं ,
07:13
what you see is the evidence
179
418000
2000
आप देखते हो सबूत
07:15
of algorithms in conflict,
180
420000
2000
एल्गोरिदम के संघर्ष का,
07:17
algorithms locked in loops with each other,
181
422000
2000
एक दूसरे के साथ लूप्स में बंद एल्गोरिदम,
07:19
without any human oversight,
182
424000
2000
किसी मानव निरीक्षण के बिना,
07:21
without any adult supervision
183
426000
3000
किसी भी वयस्क पर्यवेक्षण के बिना
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
असल में, 17 लाख बहुत है.
07:27
(Laughter)
185
432000
3000
(हँसी)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
और जैसे अमेज़न के साथ है, वैसे है नेत्फ्लिक्स के साथ.
07:33
And so Netflix has gone through
187
438000
2000
और नेत्फ्लिक्स ने देखे हैं
07:35
several different algorithms over the years.
188
440000
2000
पिछले कुछ वर्षों में कई अलग अलग एल्गोरिदम .
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
वे सिनेमत्च के साथ शुरू हुए, और कई अलग चीज़ों की कोशिश की.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
"डायनासौर ग्रह" है, वहाँ "गुरुत्वाकर्षण" है.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
अब वे "व्यावहारिक अराजकता" का उपयोग कर रहे हैं.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
व्यावहारिक अराजकता नेत्फ्लिक्स के अन्य एल्गोरिदम की तरह,
07:46
trying to do the same thing.
193
451000
2000
एक ही बात करने की कोशिश करता है.
07:48
It's trying to get a grasp on you,
194
453000
2000
यह आपको समझ पाने की कोशिश कर रहा है,
07:50
on the firmware inside the human skull,
195
455000
2000
मानव खोपड़ी को अंदर से ,
07:52
so that it can recommend what movie
196
457000
2000
ताकि यह सिफारिश कर सके कोन सी फिल्म
07:54
you might want to watch next --
197
459000
2000
आप अगली बार देखना चाहो -
07:56
which is a very, very difficult problem.
198
461000
3000
जो एक बहुत, बहुत कठिन समस्या है.
07:59
But the difficulty of the problem
199
464000
2000
लेकिन समस्या की कठिनाई
08:01
and the fact that we don't really quite have it down,
200
466000
3000
और तथ्य यह है कि हम वास्तव में वहां पहुचे नहीं हैं,
08:04
it doesn't take away
201
469000
2000
यह नहीं कर सकता है
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
व्यावहारिक अराजकता के प्रभाव से.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
व्यावहारिक अराजकता, सभी नेत्फ्लिक्स एल्गोरिदम की तरह ,
08:11
determines, in the end,
204
476000
2000
अंत में निर्धारित करता है,
08:13
60 percent
205
478000
2000
६० प्रतिशत
08:15
of what movies end up being rented.
206
480000
2000
फिल्मे जो आप किराए पर लेते हैं.
08:17
So one piece of code
207
482000
2000
तो कोड का एक टुकड़ा
08:19
with one idea about you
208
484000
3000
तुम्हारे बारे में एक विचार से
08:22
is responsible for 60 percent of those movies.
209
487000
3000
उन फिल्मों के ६० प्रतिशत के लिए जिम्मेदार है .
08:25
But what if you could rate those movies
210
490000
2000
लेकिन अगर आप उन फिल्मों को अनुपात कर सकते
08:27
before they get made?
211
492000
2000
इससे पहले कि वह बने?
08:29
Wouldn't that be handy?
212
494000
2000
वेह काम का नहीं होगा?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
ब्रिटेन के कुछ डेटा विज्ञानिक हॉलीवुड में हैं,
08:34
and they have "story algorithms" --
214
499000
2000
और उनके पास है कहानी एल्गोरिदम -
08:36
a company called Epagogix.
215
501000
2000
एक कंपनी है एपगोगिक्स.
08:38
And you can run your script through there,
216
503000
3000
और आप उस के माध्यम से अपनी स्क्रिप्ट चला सकते हैं,
08:41
and they can tell you, quantifiably,
217
506000
2000
और वे आपको बता कर सकते हैं, आंकलन कर,
08:43
that that's a 30 million dollar movie
218
508000
2000
कि यह ३०० लाख डॉलर की फिल्म है
08:45
or a 200 million dollar movie.
219
510000
2000
या एक २००० लाख डॉलर की.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
और बात है कि यह गूगल नहीं है.
08:49
This isn't information.
221
514000
2000
यह जानकारी नहीं है.
08:51
These aren't financial stats; this is culture.
222
516000
2000
ये वित्तीय आँकड़े नहीं हैं, यह संस्कृति है.
08:53
And what you see here,
223
518000
2000
और आप यहाँ देख रहे हैं,
08:55
or what you don't really see normally,
224
520000
2000
जो आप सामान्यता नहीं देखते हैं,
08:57
is that these are the physics of culture.
225
522000
4000
कि यह संस्कृति की भौतिकी है .
09:01
And if these algorithms,
226
526000
2000
और अगर यह एल्गोरिदम,
09:03
like the algorithms on Wall Street,
227
528000
2000
वॉल स्ट्रीट के एल्गोरिदम की तरह ,
09:05
just crashed one day and went awry,
228
530000
3000
सिर्फ एक दिन दुर्घटनाग्रस्त हो जाये और धराशायी हो जाये,
09:08
how would we know?
229
533000
2000
हमें कैसे पता चलेगा,
09:10
What would it look like?
230
535000
2000
यह कैसा दिखेगा?
09:12
And they're in your house. They're in your house.
231
537000
3000
और वे आप के घर में हैं.
09:15
These are two algorithms competing for your living room.
232
540000
2000
यह दो एल्गोरिदम आप के कमरे के लिए प्रतिस्पर्धा कर रहे हैं .
09:17
These are two different cleaning robots
233
542000
2000
ये दो अलग सफाई रोबोट हैं
09:19
that have very different ideas about what clean means.
234
544000
3000
जिनका सफाई का मतलब बहुत अलग है.
09:22
And you can see it
235
547000
2000
और आप इसे देख सकते हैं
09:24
if you slow it down and attach lights to them,
236
549000
3000
यदि आप इसे धीमा करें और उन्हें रोशनी दें.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
वे आपके शयन कक्ष में गुप्त आर्किटेक्ट की तरह हैं .
09:30
And the idea that architecture itself
238
555000
3000
और विचार है कि खुद वास्तुकला
09:33
is somehow subject to algorithmic optimization
239
558000
2000
किसी तरह एल्गोरिथम अनुकूलन पर निर्भर करती है
09:35
is not far-fetched.
240
560000
2000
दूर की कौड़ी नहीं है.
09:37
It's super-real and it's happening around you.
241
562000
3000
यह असली है और यह आप के आसपास हो रहा है.
09:40
You feel it most
242
565000
2000
आप इसे सबसे अधिक महसूस करते हैं
09:42
when you're in a sealed metal box,
243
567000
2000
जब आप एक मोहरबंद धातु बक्से में होते हैं,
09:44
a new-style elevator;
244
569000
2000
एक नई शैली का एलेवेटर,
09:46
they're called destination-control elevators.
245
571000
2000
इसे गंतव्य नियंत्रण लिफ्ट कहते हैं.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
ये हैं जहाँ आप अपनी मंजिल पहले बताते हैं
09:51
before you get in the elevator.
247
576000
2000
इससे पहले कि आप लिफ्ट में जाएँ.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
और यह एक बिन पैकिंग एल्गोरिथ्म का उपयोग करता है.
09:55
So none of this mishegas
249
580000
2000
तो कोई पागलपन नहीं
09:57
of letting everybody go into whatever car they want.
250
582000
2000
हर किसी को पसंद की कार में जाने देने का.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
हर कोई जो १०वीं मंजिल पर जा रहा हो कार नंबर दो में जाता है,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
और तीसरी मंजिल वाले कार पांच में.
10:04
And the problem with that
253
589000
2000
और उस के साथ समस्या
10:06
is that people freak out.
254
591000
2000
कि लोग डर जाते हैं.
10:08
People panic.
255
593000
2000
आतंक में.
10:10
And you see why. You see why.
256
595000
2000
और देख सकते हो क्यों.
10:12
It's because the elevator
257
597000
2000
क्योंकि एलेवेटर
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
में बटन की तरह कुछ महत्वपूर्ण उपकरण है लापता.
10:17
(Laughter)
259
602000
2000
(हँसी)
10:19
Like the things that people use.
260
604000
2000
चीजें जो लोग उपयोग करते हैं.
10:21
All it has
261
606000
2000
इसमें सिर्फ है
10:23
is just the number that moves up or down
262
608000
3000
संख्या जो ऊपर या नीचे जाती है
10:26
and that red button that says, "Stop."
263
611000
3000
और वे लाल बटन जो कहता है, "बंद करो. "
10:29
And this is what we're designing for.
264
614000
3000
और यह है जिसके लिए हम डिजाइन कर रहे हैं .
10:32
We're designing
265
617000
2000
हम डिजाइन कर रहे हैं
10:34
for this machine dialect.
266
619000
2000
इस मशीन बोली के लिए .
10:36
And how far can you take that? How far can you take it?
267
621000
3000
और इसे हम कितनी दूर ले जा सकते हैं?
10:39
You can take it really, really far.
268
624000
2000
आप इसे वास्तव में बहूत दूर ले जा सकते हैं .
10:41
So let me take it back to Wall Street.
269
626000
3000
वापस वॉल स्ट्रीट चलते हैं.
10:45
Because the algorithms of Wall Street
270
630000
2000
क्योंकि वॉल स्ट्रीट की एल्गोरिदम
10:47
are dependent on one quality above all else,
271
632000
3000
सब से ऊपर एक गुणवत्ता पर निर्भर हैं,
10:50
which is speed.
272
635000
2000
जो गति है.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
और वे क्षंड के लाखवे या करोड़वे हिस्से पर कार्य करते हैं.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
सिर्फ आप को उस गति का स्वाद देने के लिए,
10:57
it takes you 500,000 microseconds
275
642000
2000
आप को ५ लाख मिक्रोसेकांड्स लगते हैं
10:59
just to click a mouse.
276
644000
2000
सिर्फ एक माउस क्लिक करने में.
11:01
But if you're a Wall Street algorithm
277
646000
2000
लेकिन अगर आप एक वॉल स्ट्रीट एल्गोरिथ्म हैं
11:03
and you're five microseconds behind,
278
648000
2000
और आप पाँचमिक्रो सेकंड पीछे रहे हैं,
11:05
you're a loser.
279
650000
2000
आप हारे हुए हैं.
11:07
So if you were an algorithm,
280
652000
2000
तो अगर आप एक एल्गोरिथ्म होते,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
आप इस तरह का वास्तुकार ढूँढ़ते जो मुझे फ्रैंकफर्ट में मिला
11:12
who was hollowing out a skyscraper --
282
657000
2000
जो एक गगनचुंबी इमारत को खाली कर रहा था -
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
सभी फर्नीचर बाहर फेंक, मानव उपयोग के बुनियादी ढांचे सहित
11:17
and just running steel on the floors
284
662000
3000
और फर्श पर सिर्फ इस्पात लगा रहा था
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
सर्वर के ढेर लगाने के लिए -
11:23
all so an algorithm
286
668000
2000
इतना सब एक एल्गोरिथ्म को
11:25
could get close to the Internet.
287
670000
3000
इंटरनेट के करीब लाने के लिए.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
आप इन्टरनेट को एक वितरित प्रणाली केरूप में देखते हो.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
और हां, यह है, लेकिन कुछ स्थानों से वितरित है.
11:34
In New York, this is where it's distributed from:
290
679000
2000
न्यू यॉर्क में, यह कहाँ से वितरित है:
11:36
the Carrier Hotel
291
681000
2000
कैरियर होटल
11:38
located on Hudson Street.
292
683000
2000
हडसन स्ट्रीट पर स्थित.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
और यह जगह है जहाँ सारे तार शहर में आ रहे हैं.
11:43
And the reality is that the further away you are from that,
294
688000
4000
और वास्तविकता यह है कि आप उससे जितने दूर हैं,
11:47
you're a few microseconds behind every time.
295
692000
2000
आप हर बार कुछ मिक्रोसेकांड्स पीछे हैं.
11:49
These guys down on Wall Street,
296
694000
2000
वॉल स्ट्रीट पर ये लोग,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
मार्को पोलो और चेरोकी नेशन,
11:53
they're eight microseconds
298
698000
2000
वे आठ मिक्रोसेकांड्स
11:55
behind all these guys
299
700000
2000
पीछे हैं इन से
11:57
going into the empty buildings being hollowed out
300
702000
4000
खाली इमारतों में जा
12:01
up around the Carrier Hotel.
301
706000
2000
कैरियर होटल के आसपास .
12:03
And that's going to keep happening.
302
708000
3000
और वह होता रहेगा.
12:06
We're going to keep hollowing them out,
303
711000
2000
हम उन्हें खाली करते रहेंगे,
12:08
because you, inch for inch
304
713000
3000
क्योंकि यह, इंच दर इंच
12:11
and pound for pound and dollar for dollar,
305
716000
3000
और पाउंड दर पाउंड, और डॉलर दर डॉलर,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
आप में से कोई भी इतना राजस्व नहीं निचोड़ सकते हैं
12:17
like the Boston Shuffler could.
307
722000
3000
बोस्टन पैर घसीटनेवाले की तरह.
12:20
But if you zoom out,
308
725000
2000
लेकिन अगर आप दूर से देखो,
12:22
if you zoom out,
309
727000
2000
लेकिन अगर आप दूर से देखो,
12:24
you would see an 825-mile trench
310
729000
4000
आप एक 825 मील की खाई को देखोगे
12:28
between New York City and Chicago
311
733000
2000
न्यूयॉर्क सिटी और शिकागो के बीच
12:30
that's been built over the last few years
312
735000
2000
जो पिछले कुछ वर्षों में बनाई गयी है
12:32
by a company called Spread Networks.
313
737000
3000
एक कंपनी द्वारा - "सपरेड नेटवर्क".
12:35
This is a fiber optic cable
314
740000
2000
यह एक फाइबर ऑप्टिक केबल है
12:37
that was laid between those two cities
315
742000
2000
जो उन दो शहरों के बीच रखी गई थी
12:39
to just be able to traffic one signal
316
744000
3000
बस एक संकेत को यातायात देने के लिए
12:42
37 times faster than you can click a mouse --
317
747000
3000
एक माउस क्लिक से ३७ गुना तेज़ -
12:45
just for these algorithms,
318
750000
3000
बस इन एल्गोरिदम के लिए ,
12:48
just for the Carnival and the Knife.
319
753000
3000
बस कार्निवल और नैफ के लिए.
12:51
And when you think about this,
320
756000
2000
और जब आप इस बारे में में सोचते हैं,
12:53
that we're running through the United States
321
758000
2000
कि हम संयुक्त राज्य अमेरिका के आर-पार चल रहे हैं
12:55
with dynamite and rock saws
322
760000
3000
डायनामाइट और पत्थर आरी के साथ
12:58
so that an algorithm can close the deal
323
763000
2000
सिर्फ इसलिए की एक एल्गोरिथ्म सौदा कर सके
13:00
three microseconds faster,
324
765000
3000
तीन मिक्रोसेकांड्स तेज,
13:03
all for a communications framework
325
768000
2000
एक संचार ढांचे के लिए
13:05
that no human will ever know,
326
770000
4000
जो कभी किसी इंसान को नहीं पता चलेगा,
13:09
that's a kind of manifest destiny;
327
774000
3000
जो प्रकट भाग्य का एक प्रकार है
13:12
and we'll always look for a new frontier.
328
777000
3000
और हमेशा एक नया मोर्चा तलाशेगा .
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
दुर्भाग्य से, हमारे पास बहूत काम है .
13:18
This is just theoretical.
330
783000
2000
यह सिर्फ सैद्धांतिक है.
13:20
This is some mathematicians at MIT.
331
785000
2000
यह एमआईटी में कुछ गणितज्ञ हैं.
13:22
And the truth is I don't really understand
332
787000
2000
और सच यह है की मैं यह समझ नहीं सकता
13:24
a lot of what they're talking about.
333
789000
2000
के हम किस बारे में बात कर रहे हैं.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
यह प्रकाश शंकु और क्वांटम उलझन है,
13:29
and I don't really understand any of that.
335
794000
2000
और मैं वास्तव में उस में कुछ नहीं समझता.
13:31
But I can read this map,
336
796000
2000
लेकिन मैं इस नक्शे को पढ़ सकता हूँ.
13:33
and what this map says
337
798000
2000
यह नक्षा कहता है
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
की अगर आप बाजार में लाल डॉट्स पर पैसे बनाने की कोशिश करते हैं,
13:38
that's where people are, where the cities are,
339
803000
2000
वहां लोग हैं, जहां शहर हैं,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
आपको सर्वर जहां नीले डॉट्स हैं वहां रखने होंगे
13:43
to do that most effectively.
341
808000
2000
प्रभावी ढंग से काम करने के लिए.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
और आप उन नीले डॉट्स के बारे में देख सकते हैं
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
कि उनमें से बहुत समुद्र के बीच में हैं .
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
तो, हम बुलबुले या कुछ और निर्माण करेंगे,
13:54
or platforms.
345
819000
2000
या प्लेटफार्म.
13:56
We'll actually part the water
346
821000
2000
हम वास्तव में पानी को काट देंगे
13:58
to pull money out of the air,
347
823000
2000
पैसे हवा से बाहर खींचने के लिए,
14:00
because it's a bright future
348
825000
2000
क्योंकि यह एक उज्जवल भविष्य है
14:02
if you're an algorithm.
349
827000
2000
यदि आप एक एल्गोरिथ्म हैं.
14:04
(Laughter)
350
829000
2000
(हँसी)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
और वास्तव में पैसा दिलचस्प नहीं है .
14:09
It's what the money motivates,
352
834000
2000
पैसा क्या प्रेरित करता है, वे है.
14:11
that we're actually terraforming
353
836000
2000
कि हम वास्तव में ज़मीन बना रहे हैं
14:13
the Earth itself
354
838000
2000
ज़मीन पर
14:15
with this kind of algorithmic efficiency.
355
840000
2000
एल्गोरिथम दक्षता के साथ .
14:17
And in that light,
356
842000
2000
और उस प्रकाश में,
14:19
you go back
357
844000
2000
तुम वापस जाओ
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
और आप माइकल नज्जार की तस्वीरों को देखो,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
आप को पता चलता है कि वे रूपक नहीं, भविष्यवाणी हैं .
14:26
They're prophecy
360
851000
2000
वे भविष्यवाणी हैं
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
भूकंपीय, स्थलीय प्रभाव की
14:32
of the math that we're making.
362
857000
2000
गणित की, जो हमने बनाया है.
14:34
And the landscape was always made
363
859000
3000
और परिदृश्य हमेशा बना था
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
इस अजीब, बेचैन सहयोग से
14:40
between nature and man.
365
865000
3000
प्रकृति और मनुष्य के बीच .
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
लेकिन अब यह तीसरे सह-विकासवादी बल हैं: एल्गोरिदम -
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
बोस्टन-पैर-घसीटनेवाला, "कार्निवल".
14:49
And we will have to understand those as nature,
368
874000
3000
और हमें उन्हें प्रकृति के रूप में समझना होगा .
14:52
and in a way, they are.
369
877000
2000
और एक तरह से, वे हैं.
14:54
Thank you.
370
879000
2000
धन्यवाद.
14:56
(Applause)
371
881000
20000
(तालियाँ)
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