TEDGlobal 2012
Shyam Sankar: The rise of human-computer cooperation
Shyam Sankar: L'ascesa della collaborazione uomo-computer
Filmed:
Readability: 6.3
947,418 views
La sola forza bruta dei computer non può risolvere i problemi del mondo. L'innovatore esperto in estrazione di dati Shyam Sankar spiega perché per risolvere grossi problemi (come catturare terroristi o identificare importanti enormi tendenze nascoste) non si tratta tanto di scoprire il giusto algoritmo, quanto della giusta relazione simbiotica tra computer e creatività umana.
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
Vi voglio raccontare di due partite a scacchi.
00:18
The first happened in 1997, in which Garry Kasparov,
1
3068
3864
La prima si è tenuta nel 1997 e Garry Kasparov,
00:22
a human, lost to Deep Blue, a machine.
2
6932
3716
umano, perse contro Deep Blue, una macchina.
00:26
To many, this was the dawn of a new era,
3
10648
2240
Per molti è stata l'alba di una nuova era,
00:28
one where man would be dominated by machine.
4
12888
2779
un'era in cui gli uomini sarebbero stati dominati dalle macchine.
00:31
But here we are, 20 years on, and the greatest change
5
15667
3334
Ma eccoci qui, 20 anni dopo, il grande cambiamento
00:34
in how we relate to computers is the iPad,
6
19001
2690
delle nostre relazioni con i computer è l'iPad,
00:37
not HAL.
7
21691
2045
non HAL.
00:39
The second game was a freestyle chess tournament
8
23736
2648
La seconda partita è un torneo di scacchi avanzati
00:42
in 2005, in which man and machine could enter together
9
26384
2969
nel 2005 in cui uomo e macchina partecipavano insieme
00:45
as partners, rather than adversaries, if they so chose.
10
29353
4666
come compagni, anziché come avversari, se volevano.
00:49
At first, the results were predictable.
11
34019
1851
All'inizio i risultati erano prevedibili.
00:51
Even a supercomputer was beaten by a grandmaster
12
35870
2497
Anche un supercomputer si faceva battere da un maestro
00:54
with a relatively weak laptop.
13
38367
2312
con un laptop relativamente poco potente.
00:56
The surprise came at the end. Who won?
14
40679
2985
La sorpresa arrivò alla fine. Chi vinse?
00:59
Not a grandmaster with a supercomputer,
15
43664
2776
Non un gran maestro con un supercomputer,
01:02
but actually two American amateurs
16
46440
1493
ma due dilettante americani
01:03
using three relatively weak laptops.
17
47933
3822
con tre laptop poco potenti.
01:07
Their ability to coach and manipulate their computers
18
51755
2596
La loro capacità di manipolare e gestire i computer
01:10
to deeply explore specific positions
19
54351
2435
per esplorare fino in fondo specifiche mosse
01:12
effectively counteracted the superior chess knowledge
20
56786
2390
contrastò efficacemente la superiorità negli scacchi
01:15
of the grandmasters and the superior computational power
21
59176
2609
dei grandi maestri e la maggiore capacità di calcolo
01:17
of other adversaries.
22
61785
1909
di altri avversari.
01:19
This is an astonishing result: average men,
23
63694
2905
È un risultato strabiliante: uomini comuni,
01:22
average machines beating the best man, the best machine.
24
66599
4081
macchine comuni che battono gli uomini e le macchine migliori.
01:26
And anyways, isn't it supposed to be man versus machine?
25
70680
3199
Comunque, non doveva trattarsi di un duello uomo-macchina?
01:29
Instead, it's about cooperation, and the right type of cooperation.
26
73879
4152
Invece si tratta di aziende e del giusto tipo di collaborazione.
01:33
We've been paying a lot of attention to Marvin Minsky's
27
78031
2857
Negli ultimi 50 anni abbiamo prestato molta attenzione
01:36
vision for artificial intelligence over the last 50 years.
28
80888
3242
alla visione sull'intelligenza artificiale di Marvin Minsky
01:40
It's a sexy vision, for sure. Many have embraced it.
29
84130
2262
È certamente una visione sexy. Molti la condividono.
01:42
It's become the dominant school of thought in computer science.
30
86392
2753
È diventata la scuola di pensiero dominante nell'informatica.
01:45
But as we enter the era of big data, of network systems,
31
89145
3072
Ma entrando nell'era dei grandi dati, delle reti,
01:48
of open platforms, and embedded technology,
32
92217
2698
delle piattaforme aperte e della tecnologia incorporata,
01:50
I'd like to suggest it's time to reevaluate an alternative vision
33
94915
3392
vorrei suggerire che è tempo di rivalutare una visione alternativa
01:54
that was actually developed around the same time.
34
98307
3070
sviluppata all'incirca nello stesso periodo.
01:57
I'm talking about J.C.R. Licklider's human-computer symbiosis,
35
101377
3332
Parlo della simbiosi uomo-computer di J.C.R. Licklider,
02:00
perhaps better termed "intelligence augmentation," I.A.
36
104709
3808
che forse dovremmo chiamare "aumento dell'intelligenza", A.I.
02:04
Licklider was a computer science titan who had a profound
37
108517
2640
Licklider era un titano dell'informatica che ha avuto
02:07
effect on the development of technology and the Internet.
38
111157
3006
un profondo effetto sullo sviluppo della tecnologia e di internet.
02:10
His vision was to enable man and machine to cooperate
39
114163
2868
La sua visione era quella di permettere all'uomo e alle macchine di collaborare
02:12
in making decisions, controlling complex situations
40
117031
3590
nel prendere decisioni, controllare le situazioni complesse
02:16
without the inflexible dependence
41
120621
1770
senza la dipendenza e la mancanza di flessibilità
02:18
on predetermined programs.
42
122391
2533
di programmi predeterminati.
02:20
Note that word "cooperate."
43
124924
2498
Notate quella parola "collaborare".
02:23
Licklider encourages us not to take a toaster
44
127422
2747
Licklider non ci incoraggia a prendere un tostapane
02:26
and make it Data from "Star Trek,"
45
130169
2284
e a farlo diventare Data di "Star Trek",
02:28
but to take a human and make her more capable.
46
132453
3535
ma a prendere un umano e renderlo più capace.
02:31
Humans are so amazing -- how we think,
47
135988
1911
Gli umani sono straordinari -- il nostro modo di pensare,
02:33
our non-linear approaches, our creativity,
48
137899
2618
il nostro approccio non lineare, la nostra creatività,
02:36
iterative hypotheses, all very difficult if possible at all
49
140517
2131
le ipotesi iterative, tutto molto difficile, se non impossibile
02:38
for computers to do.
50
142648
1345
per i computer.
02:39
Licklider intuitively realized this, contemplating humans
51
143993
2452
Licklider intuitivamente se ne è accorto, osservando gli umani
02:42
setting the goals, formulating the hypotheses,
52
146445
2327
fissare obiettivi, formulare ipotesi,
02:44
determining the criteria, and performing the evaluation.
53
148772
3376
determinare criteri e fare valutazioni.
02:48
Of course, in other ways, humans are so limited.
54
152148
1775
Certo, in altre cose gli umani sono così limitati.
02:49
We're terrible at scale, computation and volume.
55
153923
3235
Siamo terribili nelle misure, nel calcolo e nei volumi.
02:53
We require high-end talent management
56
157158
1836
Abbiamo bisogno di talento manageriale di alto livello
02:54
to keep the rock band together and playing.
57
158994
2064
per tenere insieme una band e suonare.
02:56
Licklider foresaw computers doing all the routinizable work
58
161058
2204
Licklider aveva previsto che i computer
avrebbero fatto i lavori ripetitivi
avrebbero fatto i lavori ripetitivi
02:59
that was required to prepare the way for insights and decision making.
59
163262
3276
richiesti per preparare l'accesso a informazioni e alla presa di decisioni.
03:02
Silently, without much fanfare,
60
166538
2224
Silenziosamente, senza far rumore,
03:04
this approach has been compiling victories beyond chess.
61
168762
3354
questo approccio ha reso possibili vittorie che vanno oltre gli scacchi.
03:08
Protein folding, a topic that shares the incredible expansiveness of chess —
62
172116
3356
Il ripiegamento delle proteine, un tema che ha in comune con gli scacchi un'incredibile vastità --
03:11
there are more ways of folding a protein than there are atoms in the universe.
63
175472
3042
esistono più modi di ripiegare una proteina del numero di atomi nell'universo.
03:14
This is a world-changing problem with huge implications
64
178514
2353
È un problema che può cambiare il mondo con profonde implicazioni
03:16
for our ability to understand and treat disease.
65
180867
2308
sulla nostra capacità di comprendere e trattare le malattie.
03:19
And for this task, supercomputer field brute force simply isn't enough.
66
183175
4248
E per questo compito, la forza bruta di un supercomputer semplicemente non è sufficiente.
03:23
Foldit, a game created by computer scientists,
67
187423
2384
Foldit, un gioco creato da informatici,
03:25
illustrates the value of the approach.
68
189807
2502
spiega il valore di questo approccio.
03:28
Non-technical, non-biologist amateurs play a video game
69
192309
3041
Dilettanti, non-tecnici, non-biologi con un videogioco
03:31
in which they visually rearrange the structure of the protein,
70
195350
3073
riorganizzano visivamente la struttura della proteina
03:34
allowing the computer to manage the atomic forces
71
198423
1499
permettendo al computer di gestire le forze atomiche
03:35
and interactions and identify structural issues.
72
199922
2957
e le interazioni e identificare i problemi strutturali.
03:38
This approach beat supercomputers 50 percent of the time
73
202879
3023
Questo approccio batte il computer la metà delle volte
03:41
and tied 30 percent of the time.
74
205902
2584
e pareggia il 30% delle volte.
03:44
Foldit recently made a notable and major scientific discovery
75
208486
3137
Di recente Foldit ha fatto un grande scoperta scientifica
03:47
by deciphering the structure of the Mason-Pfizer monkey virus.
76
211623
3160
decifrando la struttura del virus Mason-Pfizer della scimmia.
03:50
A protease that had eluded determination for over 10 years
77
214783
3015
Una protease, la cui determinazione sfuggiva da più di 10 anni,
03:53
was solved was by three players in a matter of days,
78
217798
2626
è stata scoperta da questi tre giocatori nel giro di qualche giorno,
03:56
perhaps the first major scientific advance
79
220424
2025
probabilmente il più grande progresso scientifico
03:58
to come from playing a video game.
80
222449
2323
proveniente da un videogioco.
04:00
Last year, on the site of the Twin Towers,
81
224772
2181
L'anno scorso, sul sito delle Torri Gemelle,
04:02
the 9/11 memorial opened.
82
226953
1473
è stato aperto il memorial dell'11 settembre.
04:04
It displays the names of the thousands of victims
83
228426
2721
Mostra i nomi di migliaia di vittime
04:07
using a beautiful concept called "meaningful adjacency."
84
231147
3063
utilizzando un bellissimo concetto detto "adiacenze significative".
04:10
It places the names next to each other based on their
85
234210
2166
Posiziona i nomi uno accanto all'altro a seconda
04:12
relationships to one another: friends, families, coworkers.
86
236376
2213
delle loro relazioni: amici, famiglia, colleghi.
04:14
When you put it all together, it's quite a computational
87
238589
3028
Metterli tutti insieme è quasi una sfida
04:17
challenge: 3,500 victims, 1,800 adjacency requests,
88
241617
4223
matematica; 3500 vittime, 1800 richieste di adiacenze,
04:21
the importance of the overall physical specifications
89
245840
3092
l'importanza delle specifiche fisiche complessive
04:24
and the final aesthetics.
90
248932
2137
e l'estetica finale.
04:26
When first reported by the media, full credit for such a feat
91
251069
2615
La prima volta che è stato riportato dai media, il merito dell'impresa
04:29
was given to an algorithm from the New York City
92
253684
1892
è stato attribuito a un algoritmo dello studio di design
04:31
design firm Local Projects. The truth is a bit more nuanced.
93
255576
4001
Local Projects di New York. In realtà è un po' più sottile.
04:35
While an algorithm was used to develop the underlying framework,
94
259577
2871
Mentre è stato usato un algoritmo per sviluppare la struttura sottostante,
04:38
humans used that framework to design the final result.
95
262448
3008
gli umani hanno usato quella struttura per realizzare il risultato finale.
04:41
So in this case, a computer had evaluated millions
96
265456
2225
In questo caso, un computer aveva valutato milioni
04:43
of possible layouts, managed a complex relational system,
97
267681
3335
di possibili disposizioni, aveva gestito un sistema di relazioni complesse,
04:46
and kept track of a very large set of measurements
98
271016
2414
tenendo traccia di un'ampia serie di misure
04:49
and variables, allowing the humans to focus
99
273430
2410
e variabili, permettendo agli umani di concentrarsi
04:51
on design and compositional choices.
100
275840
2802
sul design e sulle scelte di composizione.
04:54
So the more you look around you,
101
278642
1036
Più vi guardate intorno,
04:55
the more you see Licklider's vision everywhere.
102
279678
1962
più vedete ovunque la visione di Licklider.
04:57
Whether it's augmented reality in your iPhone or GPS in your car,
103
281640
3304
Che sia la realtà aumentata nel vostro iPhone o il GPS nella vostra auto,
05:00
human-computer symbiosis is making us more capable.
104
284944
2970
la simbiosi uomo-computer ci rende più capaci.
05:03
So if you want to improve human-computer symbiosis,
105
287914
1655
Cosa si può fare per migliorare
05:05
what can you do?
106
289569
1429
la simbiosi uomo-computer?
05:06
You can start by designing the human into the process.
107
290998
2452
Si può cominciare con inserire gli umani nel processo.
05:09
Instead of thinking about what a computer will do to solve the problem,
108
293450
2204
Invece di pensare a quello che un computer farà per risolvere il problema,
05:11
design the solution around what the human will do as well.
109
295654
3869
creare anche la soluzione intorno a quello che farà un essere umano.
05:15
When you do this, you'll quickly realize that you spent
110
299523
1937
Facendo questo, ci si rende presto conto di aver passato il tempo
05:17
all of your time on the interface between man and machine,
111
301460
2879
sull'interfaccia uomo-macchina
05:20
specifically on designing away the friction in the interaction.
112
304339
3099
in particolare nell'eliminare l'attrito di questa interazione.
05:23
In fact, this friction is more important than the power
113
307438
2766
Di fatto, questo attrito è più importante
05:26
of the man or the power of the machine
114
310204
2052
del potere dell'uomo o del potere della macchina
05:28
in determining overall capability.
115
312256
1931
nel determinare le capacità complessive.
05:30
That's why two amateurs with a few laptops
116
314187
1977
Ecco perché due dilettanti con qualche laptop
05:32
handily beat a supercomputer and a grandmaster.
117
316164
2456
hanno battuto facilmente un supercomputer e un maestro.
05:34
What Kasparov calls process is a byproduct of friction.
118
318620
3005
Quello che Kasparov chiama processo è un sottoprodotto dell'attrito.
05:37
The better the process, the less the friction.
119
321625
2401
Migliore è il processo, minore è l'attrito.
05:39
And minimizing friction turns out to be the decisive variable.
120
324026
4256
La variabile decisiva diventa la minimizzazione di questo attrito.
05:44
Or take another example: big data.
121
328282
2243
Prendete un altro esempio: grandi quantità di dati.
05:46
Every interaction we have in the world is recorded
122
330525
1906
Tutte le interazioni al mondo vengono registrate
05:48
by an ever growing array of sensors: your phone,
123
332431
3059
da una serie crescente di sensori: il vostro telefono,
05:51
your credit card, your computer. The result is big data,
124
335490
2373
la vostra carta di credito, il vostro computer. Il risultato sono tanti dati,
05:53
and it actually presents us with an opportunity
125
337863
1742
e in realtà ci forniscono l'opportunità
05:55
to more deeply understand the human condition.
126
339605
2662
di capire più a fondo la condizione umana.
05:58
The major emphasis of most approaches to big data
127
342267
2305
La maggiore enfasi di molti approcci ai grandi dati
06:00
focus on, "How do I store this data? How do I search
128
344572
2215
si concentra su, "Come memorizzare questi dati? Come cercare
06:02
this data? How do I process this data?"
129
346787
2276
all'interno di questi dati? Come processare questi dati?
06:04
These are necessary but insufficient questions.
130
349063
2204
Queste sono domande necessarie, ma non sufficienti.
06:07
The imperative is not to figure out how to compute,
131
351267
2471
L'imperativo non è scoprire come calcolare,
06:09
but what to compute. How do you impose human intuition
132
353738
2184
ma cosa calcolare. Come si impone l'intuizione umana
06:11
on data at this scale?
133
355922
1791
su dati di questa dimensione?
06:13
Again, we start by designing the human into the process.
134
357713
3499
Ancora una volta, cominciamo con l'inserire l'essere umano nel processo.
06:17
When PayPal was first starting as a business, their biggest
135
361212
2812
Quando PayPal ha iniziato ad operare, la sua più grande sfida
06:19
challenge was not, "How do I send money back and forth online?"
136
364024
2804
non era, "Come trasferisco i soldi online?"
06:22
It was, "How do I do that without being defrauded by organized crime?"
137
366828
3872
Era, "Come lo faccio senza farmi intercettare dal crimine organizzato?"
06:26
Why so challenging? Because while computers can learn
138
370700
2088
Perché è così sfidante? Perché mentre i computer possono imparare
06:28
to detect and identify fraud based on patterns,
139
372788
3144
ad intercettare e identificare le frodi sulla base di schemi,
06:31
they can't learn to do that based on patterns
140
375932
1479
non possono imparare a farlo sulla base di schemi
06:33
they've never seen before, and organized crime
141
377411
2116
che non hanno mai visto prima
e il crimine organizzato
e il crimine organizzato
06:35
has a lot in common with this audience: brilliant people,
142
379527
2709
ha molto in comune con questo pubblico: gente brillante,
06:38
relentlessly resourceful, entrepreneurial spirit — (Laughter) —
143
382236
3640
implacabili, pieni di risorse, spirito imprenditoriale --
(Risate)
(Risate)
06:41
and one huge and important difference: purpose.
144
385876
2712
e una differenza enorme e importante: lo scopo.
06:44
And so while computers alone can catch all but the cleverest
145
388588
2832
Così, mentre i soli computer possono prendere tutto tranne
06:47
fraudsters, catching the cleverest is the difference
146
391420
2253
i più brillanti truffatori, prendere i più svegli fa la differenza
06:49
between success and failure.
147
393673
2545
tra un successo e un fallimento.
06:52
There's a whole class of problems like this, ones with
148
396218
2221
Ci sono una serie di problemi come questo, quelli con
06:54
adaptive adversaries. They rarely if ever present with a
149
398439
2575
avversari adattabili. Si presentano raramente, se non mai,
06:56
repeatable pattern that's discernable to computers.
150
401014
2736
secondo uno schema ripetibile distinguibile dai computer.
06:59
Instead, there's some inherent component of innovation or disruption,
151
403750
3993
Invece, c'è una componente interna di innovazione o disturbo,
07:03
and increasingly these problems are buried in big data.
152
407743
2735
e questi problemi sono sempre più seppelliti nei dati.
07:06
For example, terrorism. Terrorists are always adapting
153
410478
2500
Per esempio il terrorismo. I terroristi si adattano continuamente
07:08
in minor and major ways to new circumstances, and despite
154
412978
2052
alle nuove circostanze, e nonostante
07:10
what you might see on TV, these adaptations,
155
415030
3094
quello che vedete in TV, questi adattamenti,
07:14
and the detection of them, are fundamentally human.
156
418124
2293
e il loro rilevamento sono fondamentalmente umani.
07:16
Computers don't detect novel patterns and new behaviors,
157
420417
3117
I computer non rilevano nuovi schemi e nuovi comportamenti,
07:19
but humans do. Humans, using technology, testing hypotheses,
158
423534
3235
lo fanno gli esseri umani.
Gli esseri umani, usando la tecnologia, testano ipotesi,
Gli esseri umani, usando la tecnologia, testano ipotesi,
07:22
searching for insight by asking machines to do things for them.
159
426769
4620
cercano indizi chiedendo alle macchine di fare per loro delle cose.
07:27
Osama bin Laden was not caught by artificial intelligence.
160
431389
2320
Osama bin Laden non è stato catturato da un'intelligenza artificiale.
07:29
He was caught by dedicated, resourceful, brilliant people
161
433709
2553
È stato catturato da persone brillanti, piene di risorse, scrupolose
07:32
in partnerships with various technologies.
162
436262
4269
in collaborazione con varie tecnologie.
07:36
As appealing as it might sound, you cannot algorithmically
163
440531
2818
Per quanto interessante possa sembrare, dai dati
07:39
data mine your way to the answer.
164
443349
1601
non si può estrarre una risposta.
07:40
There is no "Find Terrorist" button, and the more data
165
444950
2855
Non c'è il tasto "Trova Terrorista",
e più si integrano dati
e più si integrano dati
07:43
we integrate from a vast variety of sources
166
447805
2302
da fonti diverse
07:46
across a wide variety of data formats from very
167
450107
2133
da formati di dati diversi,
07:48
disparate systems, the less effective data mining can be.
168
452240
3309
da sistemi diversi, meno efficace è l'estrazione dei dati.
07:51
Instead, people will have to look at data
169
455549
2024
Invece, si dovranno cercare dati
07:53
and search for insight, and as Licklider foresaw long ago,
170
457573
3456
e cercare indizi,
e come aveva previsto Licklider tempo fa,
e come aveva previsto Licklider tempo fa,
07:56
the key to great results here is the right type of cooperation,
171
461029
2685
la chiave per ottenere grandi risultati è il corretto tipo di collaborazione
07:59
and as Kasparov realized,
172
463714
1524
e Kasparov si è reso conto
08:01
that means minimizing friction at the interface.
173
465238
3031
che significa minimizzare l'attrito dell'interfaccia.
08:04
Now this approach makes possible things like combing
174
468269
2758
Questo approccio rende possibili cose come setacciare
08:06
through all available data from very different sources,
175
471027
3386
i dati disponibili provenienti da fonti diverse,
08:10
identifying key relationships and putting them in one place,
176
474413
2792
identificare le relazioni chiave e metterle in un unico punto,
08:13
something that's been nearly impossible to do before.
177
477205
2928
una cosa che è sempre stata praticamente impossibile da fare.
08:16
To some, this has terrifying privacy and civil liberties
178
480133
1942
Secondo qualcuno ci sono implicazioni terribili sulla privacy
08:17
implications. To others it foretells of an era of greater
179
482075
3410
e sulle libertà civili.
Secondo altri preannuncia un'era
Secondo altri preannuncia un'era
08:21
privacy and civil liberties protections,
180
485485
1909
di maggiore privacy e protezione delle libertà civili,
08:23
but privacy and civil liberties are of fundamental importance.
181
487394
2936
ma la privacy e le libertà civili sono fondamentali.
08:26
That must be acknowledged, and they can't be swept aside,
182
490330
2193
Bisogna tenerlo presente, e non possono essere trascurate,
08:28
even with the best of intents.
183
492523
2530
anche con le migliori intenzioni.
08:30
So let's explore, through a couple of examples, the impact
184
495053
2518
Esploriamo con un paio di esempi l'impatto
08:33
that technologies built to drive human-computer symbiosis
185
497571
2406
che hanno avuto di recente le tecnologie
08:35
have had in recent time.
186
499977
2919
sulla simbiosi uomo-computer.
08:38
In October, 2007, U.S. and coalition forces raided
187
502896
3416
Nell'ottobre del 2007, gli Stati Uniti e le forze alleate
08:42
an al Qaeda safe house in the city of Sinjar
188
506312
2416
hanno fatto irruzione in un rifugio di al Qaeda a Sinjar
08:44
on the Syrian border of Iraq.
189
508728
1934
al confine siriano con l'Iraq.
08:46
They found a treasure trove of documents:
190
510662
2376
Hanno trovato documenti segreti:
08:48
700 biographical sketches of foreign fighters.
191
513038
2335
700 note biografiche di combattenti stranieri.
08:51
These foreign fighters had left their families in the Gulf,
192
515373
2584
Questi combattenti stranieri avevano lasciato le loro famiglie nel Golfo,
08:53
the Levant and North Africa to join al Qaeda in Iraq.
193
517957
3146
in Africa del nord e orientale per unirsi ad al Qaeda in Iraq.
08:57
These records were human resource forms.
194
521103
1616
Questi documenti erano moduli compilati da umani.
08:58
The foreign fighters filled them out as they joined the organization.
195
522719
2855
I combattenti stranieri li avevano compilati per unirsi all'organizzazione.
09:01
It turns out that al Qaeda, too,
196
525574
1211
Si è scoperto che anche al Qaeda
09:02
is not without its bureaucracy. (Laughter)
197
526785
2597
ha la sua burocrazia. (Risate)
09:05
They answered questions like, "Who recruited you?"
198
529382
2098
Rispondevano a domande del tipo, "Chi ti ha reclutato?"
09:07
"What's your hometown?" "What occupation do you seek?"
199
531480
2854
"Qual è la tua città natale" "Che tipo di lavoro cerchi?"
09:10
In that last question, a surprising insight was revealed.
200
534334
3169
In quest'ultima domanda si è scoperta una cosa sorprendente.
09:13
The vast majority of foreign fighters
201
537503
2400
La maggior parte dei combattenti stranieri
09:15
were seeking to become suicide bombers for martyrdom --
202
539903
2400
cercavano di diventare attentatori suicidi per i martirio --
09:18
hugely important, since between 2003 and 2007, Iraq
203
542303
4338
molto importante, visto che tra il 2003 e il 2007
09:22
had 1,382 suicide bombings, a major source of instability.
204
546641
4244
l'Iraq aveva 1382 attentatori suicidi, un'importante fonte di instabilità.
09:26
Analyzing this data was hard. The originals were sheets
205
550885
2058
Analizzare questi dati era difficile. Gli originali erano fogli di carta
09:28
of paper in Arabic that had to be scanned and translated.
206
552943
2742
in arabo che dovevano essere scannerizzati e tradotti.
09:31
The friction in the process did not allow for meaningful
207
555685
2192
La complessità del processo non consentiva di ottenere
09:33
results in an operational time frame using humans, PDFs
208
557877
3350
risultati significativi in tempi ragionevoli usando solo
09:37
and tenacity alone.
209
561227
2218
persone, PDF e tenacia.
09:39
The researchers had to lever up their human minds
210
563445
1953
I ricercatori hanno dovuto sfruttare le loro menti umane
09:41
with technology to dive deeper, to explore non-obvious
211
565398
2345
insieme alla tecnologia per scavare, per esplorare ipotesi
09:43
hypotheses, and in fact, insights emerged.
212
567743
3218
non ovvie, e effettivamente sono emersi indizi.
09:46
Twenty percent of the foreign fighters were from Libya,
213
570961
2644
20% dei combattenti stranieri erano libici,
09:49
50 percent of those from a single town in Libya,
214
573605
2968
50% di questi provenivano da un'unica città in Libia,
09:52
hugely important since prior statistics put that figure at
215
576573
2450
molto importante considerando che le statistiche precedenti
09:54
three percent. It also helped to hone in on a figure
216
579023
2383
riportavano quel numero al 3%. Ha aiutato anche a focalizzarsi
09:57
of rising importance in al Qaeda, Abu Yahya al-Libi,
217
581406
2977
su una figura di crescente importanza in 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 anziano ecclesiastico del gruppo dei combattenti islamici libici.
10:02
In March of 2007, he gave a speech, after which there was
219
587014
2664
Nel marzo del 2007 ha tenuto un discorso dopo il quale
10:05
a surge in participation amongst Libyan foreign fighters.
220
589678
3466
è cresciuta la partecipazione dei combattenti libici stranieri.
10:09
Perhaps most clever of all, though, and least obvious,
221
593144
3106
In maniera molti intelligente, anche se meno ovvia,
10:12
by flipping the data on its head, the researchers were
222
596250
2073
rivoltando i dati che avevano in testa,
i ricercatori
i ricercatori
10:14
able to deeply explore the coordination networks in Syria
223
598323
2900
sono stati in grado di esplorare le reti di coordinamento in Siria
10:17
that were ultimately responsible for receiving and
224
601223
2517
che si occupavano di accogliere e trasportare
10:19
transporting the foreign fighters to the border.
225
603740
2464
verso il confine i combattenti stranieri.
10:22
These were networks of mercenaries, not ideologues,
226
606204
2633
Erano reti di mercenari, non di idealisti,
10:24
who were in the coordination business for profit.
227
608837
2398
che coordinavano per trarne un profitto.
10:27
For example, they charged Saudi foreign fighters
228
611235
1904
Per esempio, ai combattenti stranieri sauditi addebitavano
10:29
substantially more than Libyans, money that would have
229
613139
2199
più che ai libici;
soldi che altrimenti
soldi che altrimenti
10:31
otherwise gone to al Qaeda.
230
615338
2320
sarebbero andati ad al Qaeda.
10:33
Perhaps the adversary would disrupt their own network
231
617658
2045
Forse gli avversari avrebbero interrotto la loro rete
10:35
if they knew they cheating would-be jihadists.
232
619703
3035
se avessero saputo di essere traditi da jihadisti.
10:38
In January, 2010, a devastating 7.0 earthquake struck Haiti,
233
622738
3745
Nel gennaio 2010 un devastante terremoto del 7° grado ha colpito Haiti,
10:42
third deadliest earthquake of all time, left one million people,
234
626483
2916
il terzo terremoto di tutti i tempi in termini di mortalità,
ha lasciato
ha lasciato
10:45
10 percent of the population, homeless.
235
629399
2584
1 milione di persone, 10% della popolazione, senza un tetto.
10:47
One seemingly small aspect of the overall relief effort
236
631983
3137
Un aspetto apparentemente ininfluente tra tutte le iniziative umanitarie
10:51
became increasingly important as the delivery of food
237
635120
2176
diventò sempre più importante quando cominciarono ad arrivare
10:53
and water started rolling.
238
637296
2160
cibo e acqua.
10:55
January and February are the dry months in Haiti,
239
639456
1458
Ad Haiti gennaio e febbraio sono mesi secchi,
10:56
yet many of the camps had developed standing water.
240
640914
2942
eppure molti campi avevano sviluppato bacini d'acqua.
10:59
The only institution with detailed knowledge of Haiti's
241
643856
2122
La sola istituzione con le informazioni dettagliate
11:01
floodplains had been leveled
242
645978
1297
delle piane alluvionali di Haiti
11:03
in the earthquake, leadership inside.
243
647275
3008
era stata distrutta nel terremoto, dirigenti compresi.
11:06
So the question is, which camps are at risk,
244
650283
2575
La domanda era quindi: quali campi sono a rischio,
11:08
how many people are in these camps, what's the
245
652858
1921
quante persone ci sono in questi campi, quali sono i tempi
11:10
timeline for flooding, and given very limited resources
246
654779
2311
delle alluvioni, e considerate le risorse e le infrastrutture
11:12
and infrastructure, how do we prioritize the relocation?
247
657090
3384
limitate, quali sono le priorità nella riallocazione?
11:16
The data was incredibly disparate. The U.S. Army had
248
660474
2344
I dati erano incredibilmente eterogenei. L'esercito degli Stati Uniti
11:18
detailed knowledge for only a small section of the country.
249
662818
2929
aveva informazioni dettagliate solo di una piccola sezione del paese.
11:21
There was data online from a 2006 environmental risk
250
665747
2511
Online c'erano dati del 2006 da una conferenza
11:24
conference, other geospatial data, none of it integrated.
251
668258
2664
sui rischi ambientali, altri dati geo-spaziali, nessuno dei quali era integrato.
11:26
The human goal here was to identify camps for relocation
252
670922
2958
L'obiettivo era identificare campi per l'allocazione
11:29
based on priority need.
253
673880
2395
secondo le priorità.
11:32
The computer had to integrate a vast amount of geospacial
254
676275
2440
Il computer doveva integrare una grande quantità di dati geospaziali,
11:34
information, social media data and relief organization
255
678715
2584
dati dai social media e informazioni di organizzazioni umanitarie
11:37
information to answer this question.
256
681299
3480
per rispondere alla domanda.
11:40
By implementing a superior process, what was otherwise
257
684779
2415
Implementando un processo ad alto livello, quello che altrimenti
11:43
a task for 40 people over three months became
258
687194
2608
sarebbe stato un lavoro di tre mesi per 40 persone
11:45
a simple job for three people in 40 hours,
259
689802
3176
è diventato un lavoro semplice di 40 ore per 3 persone,
11:48
all victories for human-computer symbiosis.
260
692978
2628
tutte vittorie per la simbiosi uomo-computer.
11:51
We're more than 50 years into Licklider's vision
261
695606
2054
Siamo a più di 50 anni dalla visione del futuro
11:53
for the future, and the data suggests that we should be
262
697660
2242
di Licklider, e i dati suggeriscono che dovremmo essere
11:55
quite excited about tackling this century's hardest problems,
263
699902
3030
entusiasti di affrontare i problemi più difficili di questo secolo,
11:58
man and machine in cooperation together.
264
702932
2947
uomo e macchina che collaborano.
12:01
Thank you. (Applause)
265
705879
2197
Grazie. (Applausi)
12:03
(Applause)
266
708076
2505
(Applausi)
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