TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow és Sean Gourley: Megismerésre érdemes gondolatok világtérképe
Filmed:
Readability: 4.3
1,131,373 views
Hogyan képzeljünk el 24.000 különböző gondolatot? Eric Barlow és Sean Gourley algoritmusok alkalmazásával feltérképezték a TEDx előadások teljes archívumát. Segítségükkel egy lenyűgöző vizuális utazást tehetünk a világ gondolati kapcsolatrendszerében.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow: Én ökológus vagyok, Sean pedig fizikus,
00:15
and we both study complex networks.
1
3623
2108
és mindketten az összetett hálózatokat tanulmányozzuk.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Pár évvel ezelőtt találkoztunk, amikor kiderült, hogy
00:19
that we had both given a short TED Talk
3
7566
2000
korábban mindketten tartottunk egy-egy rövid Ted előadást
00:21
about the ecology of war,
4
9566
2303
a háborúk környezettanáról,
00:23
and we realized that we were connected
5
11869
1447
és rájöttünk, hogy a találkozásunk előtt már létezett kapcsolat
00:25
by the ideas we shared before we ever met.
6
13316
2818
közöttünk a közös témák által.
00:28
And then we thought, you know, there are thousands
7
16134
1556
És akkor belegondoltunk, hogy több ezer, elsősorban
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
TEDx előadás található a neten, amiket folyamatosan
00:31
that are popping up all over the world.
9
19804
2211
töltenek fel az internetre a világ minden részéről.
00:34
How are they connected,
10
22015
923
Milyen kapcsolatok léteznek az előadások között,
00:34
and what does that global conversation look like?
11
22938
2010
és hogyan képzeljük el ezeket a globális párbeszédeket?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Most pedig Sean bemutatja Nektek, hogy valójában mit is csináltunk.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Tehát vettünk 24.000 TEDx előadásmintát
00:43
from around the world, 147 different countries,
14
31525
3046
a világ minden részéről, összesen 147 országból,
00:46
and we took these talks and we wanted to find
15
34571
2123
és az előadásokból azt akartuk megtudni,
00:48
the mathematical structures that underly
16
36694
2040
hogy létezik-e valamiféle alapvető matematikai összefüggés,
00:50
the ideas behind them.
17
38734
1722
ami meghatározza ezeket a gondolatokat.
00:52
And we wanted to do that so we could see how
18
40456
1370
Azt is tudni akartuk, hogy ezeket az alapvető kapcsolatokat
00:53
they connected with each other.
19
41826
2053
vizuálisan meg tudjuk-e jeleníteni.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Természetesen az ilyen dolgokhoz
00:57
you need a lot of data.
21
45555
956
rendkívül sok adatra van szükség.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Az adatokat pedig nem máshonnan, mint a YouTube-ról szedtük,
01:02
and we can go down and basically pull
23
50197
1768
ugyanis onnan könnyen elérhető
01:03
all the open information from YouTube,
24
51965
2267
az összes nyílt információ,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
az összes hozzászólás, a letöltések száma, kik nézik a videót,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
a világ melyik részéről nézik, és mit írnak a hozzászólásokban.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Beszédfelismerő szoftverrel pedig az egész előadás
01:14
we can pull the entire transcript,
28
62652
2128
átiratát létre tudjuk hozni.
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
Érdekes, hogy a szoftver még az ilyen furcsa akcentusokat is kezelni tudja, mint amilyen az enyém.
01:19
So we can take their transcript
30
67460
2106
Tehát amikor már megvan a szöveges átirat,
01:21
and actually do some pretty cool things.
31
69566
2098
akkor elkezdhetünk játszani az adatokkal.
01:23
We can take natural language processing algorithms
32
71664
2160
Beszélt nyelvet feldolgozó algoritmusok alkalmazásával
01:25
to kind of read through with a computer, line by line,
33
73824
2629
számítógép segítségével sorról-sorra végig tudunk menni a szövegen,
01:28
extracting key concepts from this.
34
76453
2359
és az alapfogalmakat ki tudjuk emelni.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Ezek az alapfogalmak biztosítják számunkra
01:33
this mathematical structure of an idea.
36
81337
3565
egy gondolat matematikai struktúráját.
01:36
And we call that the meme-ome.
37
84902
1757
Ezt "mémtérképnek" neveztük el.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
A mémtérkép tehát nem más,
01:40
is the mathematics that underlies an idea,
39
88810
2426
mint egy gondolat matematikai leírása.
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
A mémtérkép elemzésével rendkívüli dolgokat tapasztaltunk.
01:45
which I want to share with you now.
41
93168
1981
Ezeket szeretném most megosztani.
01:47
So each idea has its own meme-ome,
42
95149
2190
Tehát, minden gondolatnak megvan a saját mémtérképe,
01:49
and each idea is unique with that,
43
97339
1951
ezáltal minden gondolat egyedinek számít.
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
Azonban a gondolatok kölcsönöznek,
01:53
they kind of steal sometimes,
45
101778
1184
sőt néha lopnak is egymástól,
01:54
and they certainly build on each other,
46
102962
1827
valamint egymásra is épülnek.
01:56
and we can go through mathematically
47
104789
1616
Matematikailag sorba lehet venni
01:58
and take the meme-ome from one talk
48
106405
1840
egy előadás mémtérképét, és összehasonlítani
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
az összes többi előadás mémtérképével,
02:02
and if there's a similarity between the two of them,
50
110699
1973
és ha találunk közöttük kapcsolatot,
02:04
we can create a link and represent that as a graph,
51
112672
3250
akkor azt a kapcsolatot, mint a kapcsolatot Eric és köztem,
02:07
just like Eric and I are connected.
52
115922
2394
egy gráffal tudjuk szemléltetni.
02:10
So that's theory, that's great.
53
118316
1394
Ez eddig az elmélet.
02:11
Let's see how it works in actual practice.
54
119710
2526
Most nézzük meg, hogyan működik ez a gyakorlatban.
02:14
So what we've got here now is the global footprint
55
122236
2788
Itt látható az utóbbi négy év összes TEDx előadásának
02:17
of all the TEDx Talks over the last four years
56
125024
2293
globális megjelenítése, amint robbanásszerűen
02:19
exploding out around the world
57
127317
1550
posztolták az előadásokat a világ minden részéről,
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
New Yorktól egészen a jó öreg Új-Zélandig ott lent a sarokban.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
Ezután fogtuk az előadások felső negyedét,
02:28
and we started to see where the connections occurred,
60
136031
2534
hogy megfigyeljük hol jöttek létre a kapcsolatok,
02:30
where they connected with each other.
61
138565
1537
és hogyan kapcsolódtak egymással.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Itt látható Cameron Russell előadása a szépségről
02:33
connected over into Europe.
63
141976
1575
ahogyan összekapcsolódik Európával.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Itt van egy komolyabb párbeszéd az izraeli-palesztin helyzetről,
02:37
radiating outwards from the Middle East.
65
145963
2255
a közel-keleti térségből kiindulva.
02:40
And we've got something a little broader
66
148218
1298
És itt látható a nagy adathalmazok témájának
02:41
like big data with a truly global footprint
67
149516
2156
valóban globális megjelenítése, ami
02:43
reminiscent of a conversation
68
151672
2179
jól mutatja, hogy erről a témáról
02:45
that is happening everywhere.
69
153851
2016
mindenhol beszélnek.
02:47
So from this, we kind of run up against the limits
70
155867
2173
A földrajzi megjelenítés lehetőségeit ezzel
02:50
of what we can actually do with a geographic projection,
71
158040
2530
nagyjából ki is merítettük,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
de szerencsére a számitástechnika segitségével
02:54
into multidimensional space.
73
162622
1546
a többdimenziós térben is megjeleníthetjük az adatokat.
02:56
So we can take in our network projection
74
164168
1875
Ha a hálózati összeköttetéseket egy fizikai szimulációt alkalmazó
02:58
and apply a physics engine to this,
75
166043
1750
szoftver segítségével ábrázoljuk,
02:59
and the similar talks kind of smash together,
76
167793
1885
ahol a hasonló előadások közelednek egymáshoz,
03:01
and the different ones fly apart,
77
169678
2004
mig a különbözőek távolodnak,
03:03
and what we're left with is something quite beautiful.
78
171682
2072
akkor a végeredmény egyszerűen csodálatos!
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Csak, hogy világos legyen, minden pont egy előadást jelent,
03:08
they're linked if they share similar ideas,
80
176711
2589
amik a közös gondolatok alapján csatlakoznak.
03:11
and that comes from a machine reading
81
179300
2084
A kapcsolatot a gépi algoritmusok létesítik
03:13
of entire talk transcripts,
82
181384
2067
nem csak a kulcsszavak és címkék,
03:15
and then all these topics that pop out,
83
183451
2231
hanem teljes szöveg elemzésével,
03:17
they're not from tags and keywords.
84
185682
1790
és így kerülnek a gráfra.
03:19
They come from the network structure
85
187472
1725
Tehát a hasonló gondolatok hálózati kapcsolatának
03:21
of interconnected ideas. Keep going.
86
189197
2168
grafikus megjelenítése látható itt. Folytasd, kérlek!
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Pontosan. Egy kicsit elsiettem a dolgot,
03:25
but he's going to slow me down.
88
193387
1475
de Eric szerencsére segít nekem.
03:26
We've got education connected to storytelling
89
194862
2034
Tehát, az oktatás összefügg az történetmeséléssel,
03:28
triangulated next to social media.
90
196896
1643
valamint a közösségi médiával.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Az emberi agy itt található az egészségügytől jobbra,
03:33
which you might expect,
92
201014
1386
ahogyan ez várható volt,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
de itt vannak mellette a videójátékok is,
03:36
as those two spaces interface with each other.
94
204795
2740
ahogy a két terület egymással érintkezik.
03:39
But I want to take you into one cluster
95
207535
1535
De nézzünk meg egy csoportot közelebbről is,
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
ami különösen fontos számomra, a környezet.
03:43
And I want to kind of zoom in on that
97
211938
1493
Nagyítsuk ki ezt a részt,
03:45
and see if we can get a little more resolution.
98
213431
2363
és nézzük meg nagyobb felbontásban.
03:47
So as we go in here, what we start to see,
99
215794
2347
Ahogy a grafikus szoftver beindul,
03:50
apply the physics engine again,
100
218141
1504
láthatjuk, - ahogy a fizikai szimuláció újra létrejön - hogy
03:51
we see what's one conversation
101
219645
1676
egy téma igazából több,
03:53
is actually composed of many smaller ones.
102
221321
2560
kisebb egységből épül fel.
03:55
The structure starts to emerge
103
223881
1929
Ahogy kialakul a szerkezet,
03:57
where we see a kind of fractal behavior
104
225810
2070
megnézhetjük az általunk használt szavak és kifejezések
03:59
of the words and the language that we use
105
227880
1619
fraktáldimenzióját, ami bemutatja
04:01
to describe the things that are important to us
106
229499
1702
a számunkra fontos dolgokat
04:03
all around this world.
107
231201
1433
szerte a világon.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Így kerül az élelmiszergazdaság és a helyi termesztés legfelülre,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
ide pedig az üvegházhatású gázok, napenergia és atomhulladék.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Az eredmény tehát kisebb témák széles skálája,
04:12
each connected to each other through the ideas
111
240316
2301
amik mind-mind közös gondolatok és kifejezések által
04:14
and the language they share,
112
242617
1301
kapcsolódnak egymáshoz, ezáltal kialakítva
04:15
creating a broader concept of the environment.
113
243918
2450
a környezet fogalmának egy széleskörű meghatározását.
04:18
And of course, from here, we can go
114
246368
1532
Innen folytatva pedig megnézhetjük, hogy
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
mondjuk a fiatalokat mi érdekli.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Ők leginkább az energiatechnológia és a nukleáris fúzió témakörben
04:25
This is their kind of resonance
117
253779
1674
érdekeltek, és a környezetről szóló előadások közül
04:27
for the conversation around the environment.
118
255453
2406
ez érdekli őket a legjobban.
04:29
If we split along gender lines,
119
257859
1899
Ha a nemek szerinti eloszlásra vagyunk kíváncsiak,
04:31
we can see females resonating heavily
120
259758
1987
akkor láthatóan a nőket sokkal jobban érdekli az élelmiszer-gazdaság,
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
ugyanakkor itt a bal szélen a remény és optimizmus is.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Ugye milyen érdekes dolgokat lehet ezzel csinálni?
04:39
and I'll throw to Eric for the next part.
123
267872
1762
És akkor most átadom a szót Eric-nek.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: igen, azt azért hangsúlyozni szeretném,
04:43
you cannot get this kind of perspective
125
271236
1538
hogy egy egyszerű címszó kereséssel a YouTube-on
04:44
from a simple tag search on YouTube.
126
272774
3360
nem lehet ilyen bonyolult elemzéseket készíteni.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
A környezetnél maradva, most akkor menjünk vissza
04:52
out of environment, and look at all the talks together.
128
280322
2534
a globális szintre, és nézzük meg az összes témát.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Amikor ilyen hatalmas mennyiségű tartalmat vizsgálunk,
04:57
we do a couple of things to simplify it.
130
285783
2431
gyakran kell egyszerűsítésekhez folyamodnunk.
05:00
We might just say, well,
131
288214
1314
Például nézzük meg, hogy
05:01
what are the most popular talks out there?
132
289528
2829
melyek a legnépszerűbb témák!
05:04
And a few rise to the surface.
133
292357
1397
Egy pár téma kiemelkedik a sorból.
05:05
There's a talk about gratitude.
134
293754
1828
Van egy előadás a háláról.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Van egy másik az egészségről és táplálkozásról.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
És milyen lenne a lista pornó nélkül, ugye?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
Ha megnézzük, a hála témája tavaly volt népszerű.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Most mi a trendi? Miről beszélnek az emberek ma?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
És íme, láthatjuk, hogy az új, feltörekvő téma
05:22
is about digital privacy.
140
310932
2666
a digitális biztonság.
05:25
So this is great. It simplifies things.
141
313598
1693
Ez tehát sikeresen leegyszerűsíti a dolgokat.
05:27
But there's so much creative content
142
315291
1827
De nézzétek azt a rengeteg kreatív tartalmat
05:29
that's just buried at the bottom.
143
317118
1921
ott a grafikon alján!
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
Ez nagyon szomorú. Hogyan lehetne felhozni a felszínre
05:34
that's maybe really creative and interesting?
145
322357
2458
azokat az érdekes és ötletgazdag témákat?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Ehhez vissza kell mennünk az ötletek
05:39
to do that.
147
327746
1430
kapcsolati szerkezetéhez.
05:41
Remember, it's that network structure
148
329176
2114
Ne feledjük, hogy a kapcsolati szerkezet generálja
05:43
that is creating these emergent topics,
149
331290
2268
a népszerű témákat.
05:45
and let's say we could take two of them,
150
333558
1515
Vegyünk például két témát, úgy mint városok és genetika,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
és nézzük meg, létezik-e olyan előadás,
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
ami összeköti ezt a két valóban különböző témát.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Igazából ez a fajta kreatív egyveleg adja
05:54
is one of the hallmarks of innovation.
154
342964
1840
az innováció alapját.
05:56
Well here's one by Jessica Green
155
344804
1606
Itt van tehát Jessica Green előadása
05:58
about the microbial ecology of buildings.
156
346410
2379
az épületek mikrobás ökológiájáról.
06:00
It's literally defining a new field.
157
348789
2010
Ez aztán szó szerint egy teljesen új tudományágat hozott létre.
06:02
And we could go back to those topics and say, well,
158
350799
2103
Ha mélyebben megvizsgáljuk ezeket az előadásokat,
06:04
what talks are central to those conversations?
159
352902
2768
akkor megtalálhatjuk a témák központi elemét.
06:07
In the cities cluster, one of the most central
160
355670
1690
A városok témakörében, központi helyet foglal el
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
Mitch Joachim előadása az élhető városokról,
06:13
and in the genetics cluster,
162
361312
1720
a genetika témakörében pedig
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
Craig Venter szintetikus biológiája van a középpontban.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Ezek az előadások kötik össze az összes többi témát a saját tudományágukban.
06:21
We could go the other direction and say, well,
165
369578
1843
Másik irányba is elindulhatunk, hogy megvizsgáljuk
06:23
what are talks that are broadly synthesizing
166
371421
2272
melyek azok az előadások, amik a különböző témákat
06:25
a lot of different kinds of fields.
167
373693
1448
egységbe foglalják.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Az ökodiverzitás egy elemét használva kiderült, hogy
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Steven Pinker, az erőszak történetéről szóló előadása
06:32
very synthetic.
170
380410
1180
meglehetősen átfogó és egységbe foglaló.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
És ezen felül vannak olyan témák is, távol mindentől,
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
magányosan a világűrben, amik annyira egyediek,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
hogy a meghatározásukra megalkottuk a Colleen Flanagan indexet.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
Ha nem ismernétek, akkor elmondom, hogy Colleen egy művész,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
és amikor kérdeztem, hogy "Milyen érzés ott kint lenni
06:45
in the stratosphere of our idea space?"
176
393849
1672
a gondolataink távoli galaxisában?", akkor
06:47
And apparently it smells like bacon.
177
395521
3255
csak annyit válaszolt, hogy "szalonna szagú"...
06:50
I wouldn't know.
178
398776
1791
Biztos úgy van.
06:52
So we're using these network motifs
179
400567
2248
Összefoglalva elmondhatjuk, hogy a kapcsolati alapgondolatok alkalmazásával
06:54
to find talks that are unique,
180
402815
1186
megkeressük az egyedi előadásokat,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
azokat, amelyek átfogó szerepet töltenek be különböző témákban,
06:58
ones that are central to their topic,
182
406711
1659
azokat, amelyek a témájukban központi szerepet foglalnak el,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
és azokat, amelyek valóban egyedi módon egyesítenek egymástól eltérő tudományágakat.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Ha állandóan csak a legnépszerűbb témákra figyelünk,
07:05
with what's trending now.
185
413846
2313
akkor ezekről mind lemaradtunk volna.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
Ez mind a komplexitás felépítéséből,
07:11
or the patterns of how things are connected.
187
419045
2960
illetve a kapcsolódó elemek mintájából származik.
07:14
SG: So that's exactly right.
188
422005
1625
SG: Ez pontosan így van.
07:15
We've got ourselves in a world
189
423630
2479
Egy mérhetetlenül bonyolult világba keveredtünk bele,
07:18
that's massively complex,
190
426109
2044
ahol algoritmusokat használunk arra,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
hogy az adatokat leszűrjük,
07:23
so we can navigate through it.
192
431020
1786
és ezáltal eligazodjunk.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
És bár ezek az algoritmusok mind nagyon hasznosak,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
szerepük egyben korlátozott is. Ha megértjük, hogy
07:30
because we can realize that their complexity is not random.
195
438620
2566
a komplexitásuk nem véletlenszerű, akkor sokkal többre leszünk képesek.
07:33
It has mathematical structure,
196
441186
1954
Matematikai struktúrával rendelkeznek,
07:35
and we can use that mathematical structure
197
443140
1803
amit arra tudunk használni, hogy
07:36
to go and explore things like the world of ideas
198
444943
2214
a világ összes gondolatát felfedezzük,
07:39
to see what's being said, to see what's not being said,
199
447157
3000
hogy lássuk miről beszélnek az emberek,
07:42
and to be a little bit more human
200
450157
1407
lássuk miről nem beszélnek, és hogy ezáltal emberségesebbek legyünk,
07:43
and, hopefully, a little smarter.
201
451564
1867
és remélhetőleg okosabbak is.
07:45
Thank you.
202
453431
966
Köszönöm.
07:46
(Applause)
203
454397
4220
(Taps)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com