TEDGlobal 2012
Shyam Sankar: The rise of human-computer cooperation
Shyam Sankar: Rozwój współpracy człowieka z komputerem.
Filmed:
Readability: 6.3
947,418 views
Przetwarzanie danych dzięki samej sile obliczeniowej nie jest w stanie rozwiązać globalnych problemów. Innowator w dziedzinie eksploracji danych Shyam Sankar wyjaśnia, dlaczego rozwiązanie złożonych problemów (jak schwytanie terrorystów czy wykrycie ogromnych, ukrytych tendencji) nie polega na znalezieniu odpowiedniego algorytmu, a na właściwej symbiotycznej relacji między obliczeniami komputera a ludzką kreatywnością.
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
Opowiem o dwóch rozgrywkach szachowych.
00:18
The first happened in 1997, in which Garry Kasparov,
1
3068
3864
Pierwsza miała miejsce w 1997,
wtedy Garry Kasparov
wtedy Garry Kasparov
00:22
a human, lost to Deep Blue, a machine.
2
6932
3716
przegrał z maszyną - Deep Blue.
00:26
To many, this was the dawn of a new era,
3
10648
2240
Wielu uznało to za nadejście nowej epoki,
00:28
one where man would be dominated by machine.
4
12888
2779
w której nad człowiekiem dominuje maszyna.
00:31
But here we are, 20 years on, and the greatest change
5
15667
3334
Ale teraz, 20 lat później, największe przełożenie
00:34
in how we relate to computers is the iPad,
6
19001
2690
na nasz stosunek do komputerów ma iPad,
00:37
not HAL.
7
21691
2045
a nie HAL z Odysei Kosmicznej.
00:39
The second game was a freestyle chess tournament
8
23736
2648
Druga rozgrywka to turniej freestyle z 2005,
00:42
in 2005, in which man and machine could enter together
9
26384
2969
w którym człowiek i maszyna mogli uczestniczyć
00:45
as partners, rather than adversaries, if they so chose.
10
29353
4666
jako partnerzy, a nie jako przeciwnicy.
00:49
At first, the results were predictable.
11
34019
1851
Na początku wyniki były przewidywalne.
00:51
Even a supercomputer was beaten by a grandmaster
12
35870
2497
Nawet superkomputer został pokonany
00:54
with a relatively weak laptop.
13
38367
2312
przez arcymistrza
ze stosunkowo słabym laptopem.
ze stosunkowo słabym laptopem.
00:56
The surprise came at the end. Who won?
14
40679
2985
Zaskakujący okazał się finał. Kto wygrał?
00:59
Not a grandmaster with a supercomputer,
15
43664
2776
Wcale nie arcymistrz z superkomputerem,
01:02
but actually two American amateurs
16
46440
1493
a dwóch amerykańskich amatorów
01:03
using three relatively weak laptops.
17
47933
3822
używających trzech słabych laptopów.
01:07
Their ability to coach and manipulate their computers
18
51755
2596
Ich umiejętności sterowania komputerem
01:10
to deeply explore specific positions
19
54351
2435
do określenia sytuacji na szachownicy
01:12
effectively counteracted the superior chess knowledge
20
56786
2390
skutecznie stawiały czoła
lepszej znajomości szachów
lepszej znajomości szachów
01:15
of the grandmasters and the superior computational power
21
59176
2609
arcymistrza i lepszej mocy obliczeniowej
01:17
of other adversaries.
22
61785
1909
przeciwników.
01:19
This is an astonishing result: average men,
23
63694
2905
Rezultat jest zdumiewający:
przeciętni ludzie i maszyny
przeciętni ludzie i maszyny
01:22
average machines beating the best man, the best machine.
24
66599
4081
pokonali najlepszego człowieka
i najlepszą maszynę.
i najlepszą maszynę.
01:26
And anyways, isn't it supposed to be man versus machine?
25
70680
3199
Czy nie miała to być maszyna przeciw człowiekowi?
01:29
Instead, it's about cooperation, and the right type of cooperation.
26
73879
4152
Zamiast tego, mamy owocną współpracę.
01:33
We've been paying a lot of attention to Marvin Minsky's
27
78031
2857
Dużo uwagi zwracaliśmy
na pogląd Marvina Minskiego
na pogląd Marvina Minskiego
01:36
vision for artificial intelligence over the last 50 years.
28
80888
3242
dotyczący sztucznej inteligencji
przez ostatnie 50 lat.
przez ostatnie 50 lat.
01:40
It's a sexy vision, for sure. Many have embraced it.
29
84130
2262
Oczywiście jest ona atrakcyjna.
Wielu zostało jej zwolennikami.
Wielu zostało jej zwolennikami.
01:42
It's become the dominant school of thought in computer science.
30
86392
2753
Stała się dominującą szkołą w informatyce.
01:45
But as we enter the era of big data, of network systems,
31
89145
3072
Jednak u progu ery wielkich danych,
systemów sieciowych,
systemów sieciowych,
01:48
of open platforms, and embedded technology,
32
92217
2698
otwartych platform, technologii wbudowanych,
01:50
I'd like to suggest it's time to reevaluate an alternative vision
33
94915
3392
uważam, że to czas
na ponowną ocenę alternatywnych wizji,
na ponowną ocenę alternatywnych wizji,
01:54
that was actually developed around the same time.
34
98307
3070
które opracowywano w tym samym czasie.
01:57
I'm talking about J.C.R. Licklider's human-computer symbiosis,
35
101377
3332
Myślę o symbiozie człowiek
komputer wg J.C.R. Licklidera
komputer wg J.C.R. Licklidera
02:00
perhaps better termed "intelligence augmentation," I.A.
36
104709
3808
być może lepiej określonej
jako "inteligencja rozszerzona".
jako "inteligencja rozszerzona".
02:04
Licklider was a computer science titan who had a profound
37
108517
2640
Licklider był tytanem informatyki,
który miał ogromny
który miał ogromny
02:07
effect on the development of technology and the Internet.
38
111157
3006
wpływ na rozwój technologii i Internetu.
02:10
His vision was to enable man and machine to cooperate
39
114163
2868
Jego pogląd zakładał
współpracę człowieka z maszyną
współpracę człowieka z maszyną
02:12
in making decisions, controlling complex situations
40
117031
3590
w podejmowaniu decyzji,
kontrolowaniu złożonych zdarzeń
kontrolowaniu złożonych zdarzeń
02:16
without the inflexible dependence
41
120621
1770
bez sztywnej zależności
02:18
on predetermined programs.
42
122391
2533
od wcześniej ustalonych programów.
02:20
Note that word "cooperate."
43
124924
2498
Zwracam uwagę na słowo "współpraca".
02:23
Licklider encourages us not to take a toaster
44
127422
2747
Licklider zachęca,
aby nie wykorzystywać tostera
aby nie wykorzystywać tostera
02:26
and make it Data from "Star Trek,"
45
130169
2284
i nie zmieniać go w
androida Datę z "Star Treka"
androida Datę z "Star Treka"
02:28
but to take a human and make her more capable.
46
132453
3535
ale żeby nadać człowiekowi więcej zdolności.
02:31
Humans are so amazing -- how we think,
47
135988
1911
Ludzie są niesamowici, to jak myślimy,
02:33
our non-linear approaches, our creativity,
48
137899
2618
nasze nieliniowe podejście, kreatywność
02:36
iterative hypotheses, all very difficult if possible at all
49
140517
2131
iteracyjne hipotezy - wszystko bardzo trudne,
02:38
for computers to do.
50
142648
1345
jeśli w ogóle możliwe do wykonania przez komputery.
02:39
Licklider intuitively realized this, contemplating humans
51
143993
2452
Licklider rozumiał to intuicyjnie - rozważania człowieka
02:42
setting the goals, formulating the hypotheses,
52
146445
2327
wyznaczanie celów, formułowanie hipotez,
02:44
determining the criteria, and performing the evaluation.
53
148772
3376
określanie kryteriów i ocenianie.
02:48
Of course, in other ways, humans are so limited.
54
152148
1775
Ludzie są też ograniczeni.
02:49
We're terrible at scale, computation and volume.
55
153923
3235
Nie radzimy sobie z skalowaniem, liczeniem.
02:53
We require high-end talent management
56
157158
1836
Konieczne jest umiejętne zarządzanie talentami,
02:54
to keep the rock band together and playing.
57
158994
2064
żeby zespół rockowy mógł przetrwać i grać.
02:56
Licklider foresaw computers doing all the routinizable work
58
161058
2204
Licklider przewidział, że komputery
będą wykonywać całą rutynową pracę,
będą wykonywać całą rutynową pracę,
02:59
that was required to prepare the way for insights and decision making.
59
163262
3276
potrzebną, by dać pole
dla zrozumienia i podejmowania decyzji.
dla zrozumienia i podejmowania decyzji.
03:02
Silently, without much fanfare,
60
166538
2224
W spokoju, bez większego rozgłosu
03:04
this approach has been compiling victories beyond chess.
61
168762
3354
ta koncepcja odniosła zwycięstwo
również poza szachami.
również poza szachami.
03:08
Protein folding, a topic that shares the incredible expansiveness of chess —
62
172116
3356
Zwijanie białka – temat,
który jest tak rozległy jak szachy:
który jest tak rozległy jak szachy:
03:11
there are more ways of folding a protein than there are atoms in the universe.
63
175472
3042
jest więcej sposobów zwijania
białka niż atomów we wszechświecie.
białka niż atomów we wszechświecie.
03:14
This is a world-changing problem with huge implications
64
178514
2353
To kluczowy problem z ogromnym wpływem
03:16
for our ability to understand and treat disease.
65
180867
2308
na naszą zdolność rozumienia i leczenia chorób.
03:19
And for this task, supercomputer field brute force simply isn't enough.
66
183175
4248
A do takiego zadania,
siła obliczeniowa nie wystarcza.
siła obliczeniowa nie wystarcza.
03:23
Foldit, a game created by computer scientists,
67
187423
2384
Foldit, gra stworzona przez naukowców,
03:25
illustrates the value of the approach.
68
189807
2502
uzmysławia wartość takiego podejścia.
03:28
Non-technical, non-biologist amateurs play a video game
69
192309
3041
Nie-specjaliści, nie-biolodzy, a amatorzy grają w grę,
03:31
in which they visually rearrange the structure of the protein,
70
195350
3073
przestawiają na ekranie strukturę białka,
03:34
allowing the computer to manage the atomic forces
71
198423
1499
pozwalając komputerowi
na uwzględnienie sił atomowych
na uwzględnienie sił atomowych
03:35
and interactions and identify structural issues.
72
199922
2957
i interakcji oraz rozpoznawanie
problemów strukturalnych.
problemów strukturalnych.
03:38
This approach beat supercomputers 50 percent of the time
73
202879
3023
To podejście pokonało
superkomputery w 50% przypadków
superkomputery w 50% przypadków
03:41
and tied 30 percent of the time.
74
205902
2584
i zremisowało w 30%.
03:44
Foldit recently made a notable and major scientific discovery
75
208486
3137
Dzięki Foldit niedawno
dokonano znaczącego odkrycia,
dokonano znaczącego odkrycia,
03:47
by deciphering the structure of the Mason-Pfizer monkey virus.
76
211623
3160
rozwiązano strukturę
małpiego wirusa Masona-Pfizera.
małpiego wirusa Masona-Pfizera.
03:50
A protease that had eluded determination for over 10 years
77
214783
3015
Proteaza wymykająca się ustaleniu
przez ponad 10 lat
przez ponad 10 lat
03:53
was solved was by three players in a matter of days,
78
217798
2626
została rozwiązana
przez trzech graczy w kilka dni,
przez trzech graczy w kilka dni,
03:56
perhaps the first major scientific advance
79
220424
2025
możliwe, że to pierwszy poważny postęp naukowy
03:58
to come from playing a video game.
80
222449
2323
pochodzący z gry komputerowej.
04:00
Last year, on the site of the Twin Towers,
81
224772
2181
W ubiegłym roku, na miejscu Bliźniaczych Wież
04:02
the 9/11 memorial opened.
82
226953
1473
został odsłonięty pomnik 11 września.
04:04
It displays the names of the thousands of victims
83
228426
2721
Przedstawia on nazwiska tysięcy ofiar
04:07
using a beautiful concept called "meaningful adjacency."
84
231147
3063
wykorzystując piękny pomysł - "wymowną bliskość".
04:10
It places the names next to each other based on their
85
234210
2166
Nazwiska zostały
umieszczone obok siebie na podstawie
umieszczone obok siebie na podstawie
04:12
relationships to one another: friends, families, coworkers.
86
236376
2213
ich wzajemnych relacji jako:
przyjaciół, rodzin, współpracowników.
przyjaciół, rodzin, współpracowników.
04:14
When you put it all together, it's quite a computational
87
238589
3028
Zestawienie ich wszystkich było trudne obliczeniowo
04:17
challenge: 3,500 victims, 1,800 adjacency requests,
88
241617
4223
wyzwanie: 3500 ofiar, 1800 związków,
04:21
the importance of the overall physical specifications
89
245840
3092
konieczność uwzględnienia fizycznych wymagań,
04:24
and the final aesthetics.
90
248932
2137
i estetyka.
04:26
When first reported by the media, full credit for such a feat
91
251069
2615
Po raz pierwszy media opisywały,
04:29
was given to an algorithm from the New York City
92
253684
1892
algorytm powstał w Nowojorskiej
04:31
design firm Local Projects. The truth is a bit more nuanced.
93
255576
4001
pracowni Local Projects.
Prawda jest nieco bardziej złożona.
Prawda jest nieco bardziej złożona.
04:35
While an algorithm was used to develop the underlying framework,
94
259577
2871
Podczas gdy algorytmu używano,
by rozwinąć szkielet,
by rozwinąć szkielet,
04:38
humans used that framework to design the final result.
95
262448
3008
był on już wykorzystywany,
aby zaprojektować efekt końcowy.
aby zaprojektować efekt końcowy.
04:41
So in this case, a computer had evaluated millions
96
265456
2225
Zatem w tym przypadku, komputer określał miliony
04:43
of possible layouts, managed a complex relational system,
97
267681
3335
możliwych układów,
zarządzał złożonym, relacyjnym systemem
zarządzał złożonym, relacyjnym systemem
04:46
and kept track of a very large set of measurements
98
271016
2414
i śledził bardzo duży zestaw pomiarów
04:49
and variables, allowing the humans to focus
99
273430
2410
i zmiennych, pozwalając ludziom skupić się
04:51
on design and compositional choices.
100
275840
2802
na projektowaniu i możliwościach kompozycyjnych.
04:54
So the more you look around you,
101
278642
1036
Tak więc, im częściej patrzysz wokół siebie
04:55
the more you see Licklider's vision everywhere.
102
279678
1962
tym więcej dostrzegasz wyobrażeń Licklidera wokół.
04:57
Whether it's augmented reality in your iPhone or GPS in your car,
103
281640
3304
Czy to rozszerzona rzeczywistość w iPhonie,
czy GPS w samochodzie
czy GPS w samochodzie
05:00
human-computer symbiosis is making us more capable.
104
284944
2970
symbioza człowiek-komputer
daje większe zdolności.
daje większe zdolności.
05:03
So if you want to improve human-computer symbiosis,
105
287914
1655
Zatem, jeśli chcesz udoskonalać
symbiozę człowiek-komputer
symbiozę człowiek-komputer
05:05
what can you do?
106
289569
1429
co możesz zrobić?
05:06
You can start by designing the human into the process.
107
290998
2452
Możesz zacząć od nadania metodzie cech ludzkich.
05:09
Instead of thinking about what a computer will do to solve the problem,
108
293450
2204
Zamiast myśleć o tym jak komputer rozwiąże problem,
05:11
design the solution around what the human will do as well.
109
295654
3869
zaprojektuj takie rozwiązanie jakby robił to człowiek.
05:15
When you do this, you'll quickly realize that you spent
110
299523
1937
Kiedy to zrobisz, zdasz sobie sprawę, że spędzasz
05:17
all of your time on the interface between man and machine,
111
301460
2879
cały swój czas na interakcji
między człowiekiem a maszyną,
między człowiekiem a maszyną,
05:20
specifically on designing away the friction in the interaction.
112
304339
3099
projektując rozwiązania
wykluczające opór.
wykluczające opór.
05:23
In fact, this friction is more important than the power
113
307438
2766
Opór jest ważniejszym czynnikiem
05:26
of the man or the power of the machine
114
310204
2052
niż zdolności człowieka czy moc maszyny
05:28
in determining overall capability.
115
312256
1931
w określaniu całkowitych możliwości.
05:30
That's why two amateurs with a few laptops
116
314187
1977
Dlatego, dwóch amatorów z kilkoma laptopami
05:32
handily beat a supercomputer and a grandmaster.
117
316164
2456
zręcznie pokonało superkomputer i arcymistrza.
05:34
What Kasparov calls process is a byproduct of friction.
118
318620
3005
Kasparow mówi, że procesowanie
to produkt uboczny oporu.
to produkt uboczny oporu.
05:37
The better the process, the less the friction.
119
321625
2401
Lepsza metoda współpracy – mniej oporu.
05:39
And minimizing friction turns out to be the decisive variable.
120
324026
4256
Minimalizowanie oporu
okazuje się być decydujące.
okazuje się być decydujące.
05:44
Or take another example: big data.
121
328282
2243
Albo inny przykład: dużo danych.
05:46
Every interaction we have in the world is recorded
122
330525
1906
Każda interakcja na świecie jest rejestrowana
05:48
by an ever growing array of sensors: your phone,
123
332431
3059
przez wciąż rosnącą gamę czujników: telefon,
05:51
your credit card, your computer. The result is big data,
124
335490
2373
kartę kredytową, komputer.
Rezultatem jest ogrom danych
Rezultatem jest ogrom danych
05:53
and it actually presents us with an opportunity
125
337863
1742
co daje nam możliwość
05:55
to more deeply understand the human condition.
126
339605
2662
bardziej wnikliwego zrozumienia ludzi.
05:58
The major emphasis of most approaches to big data
127
342267
2305
Podejścia do zbiorów danych
skupiają się na pytaniach:
skupiają się na pytaniach:
06:00
focus on, "How do I store this data? How do I search
128
344572
2215
“Jak je przechowywać? Jak je przeszukiwać?
06:02
this data? How do I process this data?"
129
346787
2276
Jak je przetwarzać?”
06:04
These are necessary but insufficient questions.
130
349063
2204
To ważne, ale niewystarczające pytania.
06:07
The imperative is not to figure out how to compute,
131
351267
2471
Nie jest konieczne wymyślanie, jak obliczać,
06:09
but what to compute. How do you impose human intuition
132
353738
2184
ale co obliczać. Jak narzucić ludzką intuicję
06:11
on data at this scale?
133
355922
1791
danym w takiej skali?
06:13
Again, we start by designing the human into the process.
134
357713
3499
Ponownie, zaczynamy od nadania metodzie cech ludzkich.
06:17
When PayPal was first starting as a business, their biggest
135
361212
2812
Kiedy PayPal rozpoczęło działalność ich największym
06:19
challenge was not, "How do I send money back and forth online?"
136
364024
2804
wyzwaniem nie było:
"Jak przesyłać pieniądze online?"
"Jak przesyłać pieniądze online?"
06:22
It was, "How do I do that without being defrauded by organized crime?"
137
366828
3872
ale: "Jak to zrobić i nie być oszukanym
przez przestępczość zorganizowaną?"
przez przestępczość zorganizowaną?"
06:26
Why so challenging? Because while computers can learn
138
370700
2088
Dlaczego to takie trudne?
Wprawdzie komputery umieją
Wprawdzie komputery umieją
06:28
to detect and identify fraud based on patterns,
139
372788
3144
wykrywać oszustwa na podstawie modeli,
06:31
they can't learn to do that based on patterns
140
375932
1479
ale nie potrafią ich tworzyć bazując na wzorcach,
06:33
they've never seen before, and organized crime
141
377411
2116
których nigdy wcześniej
nie widziały, a przestępczość zorganizowana
nie widziały, a przestępczość zorganizowana
06:35
has a lot in common with this audience: brilliant people,
142
379527
2709
ma wiele wspólnego z tą publicznością:
to genialni ludzie.
to genialni ludzie.
06:38
relentlessly resourceful, entrepreneurial spirit — (Laughter) —
143
382236
3640
bezwzględnie sprytni,
przedsiębiorczy (Śmiech)
przedsiębiorczy (Śmiech)
06:41
and one huge and important difference: purpose.
144
385876
2712
ale mają też jedną ogromną i zasadniczą różnicę: cel.
06:44
And so while computers alone can catch all but the cleverest
145
388588
2832
Podczas gdy komputery
same łapią wszystkich oprócz
same łapią wszystkich oprócz
06:47
fraudsters, catching the cleverest is the difference
146
391420
2253
najsprytniejszych oszustów,
złapanie tych najsprytniejszych stanowi różnicę
złapanie tych najsprytniejszych stanowi różnicę
06:49
between success and failure.
147
393673
2545
między sukcesem a porażką.
06:52
There's a whole class of problems like this, ones with
148
396218
2221
Jest cała klasa problemów
06:54
adaptive adversaries. They rarely if ever present with a
149
398439
2575
ja adaptacja przeciwników.
Rzadko, jeśli w ogóle są one obecne
Rzadko, jeśli w ogóle są one obecne
06:56
repeatable pattern that's discernable to computers.
150
401014
2736
w powtarzalnym modelu,
który jest rozpoznawalny przez komputery.
który jest rozpoznawalny przez komputery.
06:59
Instead, there's some inherent component of innovation or disruption,
151
403750
3993
Zamiast tego, istnieje nieodłączny element
innowacyjności czy dezorganizacji,
innowacyjności czy dezorganizacji,
07:03
and increasingly these problems are buried in big data.
152
407743
2735
i coraz częściej te problemy
są ukryte w wielkich danych.
są ukryte w wielkich danych.
07:06
For example, terrorism. Terrorists are always adapting
153
410478
2500
Na przykład terroryzm.
Terroryści zawsze dostosowują się
Terroryści zawsze dostosowują się
07:08
in minor and major ways to new circumstances, and despite
154
412978
2052
do nowych okoliczności
07:10
what you might see on TV, these adaptations,
155
415030
3094
i pomimo tego co widać w telewizji, ich adaptacje,
07:14
and the detection of them, are fundamentally human.
156
418124
2293
i wykrywanie ich, są całkowicie ludzkie.
07:16
Computers don't detect novel patterns and new behaviors,
157
420417
3117
Komputery nie wykrywają
nowych modeli i zachowań a ludzie tak.
nowych modeli i zachowań a ludzie tak.
07:19
but humans do. Humans, using technology, testing hypotheses,
158
423534
3235
Ludzie wykorzystujący technikę, testujący hipotezy,
07:22
searching for insight by asking machines to do things for them.
159
426769
4620
szukający zależności w odpowiedziach
na polecenia zadawane maszynom.
na polecenia zadawane maszynom.
07:27
Osama bin Laden was not caught by artificial intelligence.
160
431389
2320
Osama bin Laden
nie został schwytany dzięki sztucznej inteligencji.
nie został schwytany dzięki sztucznej inteligencji.
07:29
He was caught by dedicated, resourceful, brilliant people
161
433709
2553
Został złapany przez oddanych,
pomysłowych, genialnych ludzi
pomysłowych, genialnych ludzi
07:32
in partnerships with various technologies.
162
436262
4269
przy współudziale różnych technologii.
07:36
As appealing as it might sound, you cannot algorithmically
163
440531
2818
Choć brzmi to kusząco,
nie da się w sposób ściśle określony
nie da się w sposób ściśle określony
07:39
data mine your way to the answer.
164
443349
1601
znaleźć sposobu odpowiedzi
korzystając z eksploracji danych.
korzystając z eksploracji danych.
07:40
There is no "Find Terrorist" button, and the more data
165
444950
2855
Nie mamy przycisku "znajdź terrorystę",
a im więcej danych
a im więcej danych
07:43
we integrate from a vast variety of sources
166
447805
2302
integrujemy z wielu różnorodnych źródeł,
07:46
across a wide variety of data formats from very
167
450107
2133
w wielu różnych formatach,
07:48
disparate systems, the less effective data mining can be.
168
452240
3309
z odmiennych systemów,
tym mniej efektywne staje się zdobywanie danych.
tym mniej efektywne staje się zdobywanie danych.
07:51
Instead, people will have to look at data
169
455549
2024
Zamiast tego, ludzie będą przyglądać się danym
07:53
and search for insight, and as Licklider foresaw long ago,
170
457573
3456
i poszukiwać zależności,
a jak Licklider przewidział dawno temu,
a jak Licklider przewidział dawno temu,
07:56
the key to great results here is the right type of cooperation,
171
461029
2685
kluczem do znacznych rezultatów
jest tu odpowiedni typ współpracy
jest tu odpowiedni typ współpracy
07:59
and as Kasparov realized,
172
463714
1524
Kasparow zaś sugerował,
08:01
that means minimizing friction at the interface.
173
465238
3031
że klucz do minimalizowania nieporozumień
tkwi w interfejsie.
tkwi w interfejsie.
08:04
Now this approach makes possible things like combing
174
468269
2758
Obecnie dzięki tej metodzie
możliwe jest m.in. przeczesywanie
możliwe jest m.in. przeczesywanie
08:06
through all available data from very different sources,
175
471027
3386
wszystkich dostępnych danych
z wielu różnych źródeł,
z wielu różnych źródeł,
08:10
identifying key relationships and putting them in one place,
176
474413
2792
identyfikacja kluczowych relacji
i umieszczanie ich w jednym miejscu,
i umieszczanie ich w jednym miejscu,
08:13
something that's been nearly impossible to do before.
177
477205
2928
co wcześniej było prawie niemożliwe.
08:16
To some, this has terrifying privacy and civil liberties
178
480133
1942
Dla niektórych ma to zastraszające konsekwencje dla
08:17
implications. To others it foretells of an era of greater
179
482075
3410
prywatności i swobód obywatelskich.
Dla innych zaś to zapowiedź ery
Dla innych zaś to zapowiedź ery
08:21
privacy and civil liberties protections,
180
485485
1909
większej ochrony prywatności i swobód,
08:23
but privacy and civil liberties are of fundamental importance.
181
487394
2936
w każdym razie mają one fundamentalne znaczenie.
08:26
That must be acknowledged, and they can't be swept aside,
182
490330
2193
Muszą zostać uznane i nie mogą być zniesione,
08:28
even with the best of intents.
183
492523
2530
nawet z najlepszymi zamiarami.
08:30
So let's explore, through a couple of examples, the impact
184
495053
2518
Przyjrzyjmy się kilku przykładom wpływu
08:33
that technologies built to drive human-computer symbiosis
185
497571
2406
jaki technologie wywarły
na symbiozę człowiek-komputer
na symbiozę człowiek-komputer
08:35
have had in recent time.
186
499977
2919
w ostatnim czasie.
08:38
In October, 2007, U.S. and coalition forces raided
187
502896
3416
W październiku 2007, amerykańskie i koalicyjne siły
08:42
an al Qaeda safe house in the city of Sinjar
188
506312
2416
zaatakowały kryjówkę Al-Kaidy w Sindżar
08:44
on the Syrian border of Iraq.
189
508728
1934
na syryjskiej granicy w Iraku.
08:46
They found a treasure trove of documents:
190
510662
2376
Odkryli tam skarbnicę dokumentów:
08:48
700 biographical sketches of foreign fighters.
191
513038
2335
700 biograficznych szkiców
zagranicznych bojowników.
zagranicznych bojowników.
08:51
These foreign fighters had left their families in the Gulf,
192
515373
2584
Opuścili oni swoje rodziny w Zatoce Perskiej,
08:53
the Levant and North Africa to join al Qaeda in Iraq.
193
517957
3146
Lewancie i Północnej Afryce,
aby dołączyć do Al-Kaidy w Iraku.
aby dołączyć do Al-Kaidy w Iraku.
08:57
These records were human resource forms.
194
521103
1616
Odnalezione dokumenty to kwestionariusz osobowe
08:58
The foreign fighters filled them out as they joined the organization.
195
522719
2855
które, bojownicy wypełniali,
kiedy dołączali do organizacji.
kiedy dołączali do organizacji.
09:01
It turns out that al Qaeda, too,
196
525574
1211
Okazuje się, że również Al-Kaida
09:02
is not without its bureaucracy. (Laughter)
197
526785
2597
nie jest pozbawiona biurokracji. (Śmiech)
09:05
They answered questions like, "Who recruited you?"
198
529382
2098
Odpowiadali na pytania typu: ”Kto cię zwerbował?”,
09:07
"What's your hometown?" "What occupation do you seek?"
199
531480
2854
“Z jakiego miasta pochodzisz?”
„Czym chciałbyś się zajmować?”
„Czym chciałbyś się zajmować?”
09:10
In that last question, a surprising insight was revealed.
200
534334
3169
W ostatnim pytaniu
został ujawniony zaskakujący pogląd.
został ujawniony zaskakujący pogląd.
09:13
The vast majority of foreign fighters
201
537503
2400
Zdecydowana większość zagranicznych bojowników
09:15
were seeking to become suicide bombers for martyrdom --
202
539903
2400
starała się zostać
zamachowcem-samobójcą dla męczeństwa
zamachowcem-samobójcą dla męczeństwa
09:18
hugely important, since between 2003 and 2007, Iraq
203
542303
4338
co było niezwykle ważne,
ponieważ między 2003 a 2007, w Iraku
ponieważ między 2003 a 2007, w Iraku
09:22
had 1,382 suicide bombings, a major source of instability.
204
546641
4244
miało miejsce 1382 zamachów samobójczych
główny powód niestabilności.
główny powód niestabilności.
09:26
Analyzing this data was hard. The originals were sheets
205
550885
2058
Analiza tych danych była trudna.
Oryginały były po arabsku
Oryginały były po arabsku
09:28
of paper in Arabic that had to be scanned and translated.
206
552943
2742
zatem musiały zostać zeskanowane i przetłumaczone.
09:31
The friction in the process did not allow for meaningful
207
555685
2192
Nieporozumienia w tym zadaniu
nie pozwalały na znaczący
nie pozwalały na znaczący
09:33
results in an operational time frame using humans, PDFs
208
557877
3350
postęp w operacyjnych ramach czasowych
wykorzystując jedynie
wykorzystując jedynie
09:37
and tenacity alone.
209
561227
2218
ludzi, PDF-y i samodzielną wytrwałość.
09:39
The researchers had to lever up their human minds
210
563445
1953
Badacze musieli podnieść
ludzkie umysły i technologię
ludzkie umysły i technologię
09:41
with technology to dive deeper, to explore non-obvious
211
565398
2345
na poziom pozwalający zanurzyć się głębiej, odkryć
09:43
hypotheses, and in fact, insights emerged.
212
567743
3218
nieoczywiste hipotezy, i faktycznie takie się pojawiły.
09:46
Twenty percent of the foreign fighters were from Libya,
213
570961
2644
20% zagranicznych bojowników było z Libii,
09:49
50 percent of those from a single town in Libya,
214
573605
2968
50% z nich z jednego miasta w Libii,
09:52
hugely important since prior statistics put that figure at
215
576573
2450
co niezwykle ważne,
ponieważ wcześniejsze statystyki mówiły
ponieważ wcześniejsze statystyki mówiły
09:54
three percent. It also helped to hone in on a figure
216
579023
2383
o trzech procentach. Pomogło to również dostrzec,
09:57
of rising importance in al Qaeda, Abu Yahya al-Libi,
217
581406
2977
że coraz większego znaczenia
w al Kaidzie nabiera Abu Yahya al-Libi,
w al Kaidzie nabiera Abu Yahya al-Libi,
10:00
a senior cleric in the Libyan Islamic fighting group.
218
584383
2631
starszy duchowny
w Libijskiej Islamskiej Grupie Bojowej.
w Libijskiej Islamskiej Grupie Bojowej.
10:02
In March of 2007, he gave a speech, after which there was
219
587014
2664
W marcu 2007, wygłosił on przemówienie,
10:05
a surge in participation amongst Libyan foreign fighters.
220
589678
3466
po którym gwałtownie wzrosła
liczba libijskich bojowników
liczba libijskich bojowników
10:09
Perhaps most clever of all, though, and least obvious,
221
593144
3106
Prawdopodobnie najbardziej pomysłowe
i najmniej oczywiste,
i najmniej oczywiste,
10:12
by flipping the data on its head, the researchers were
222
596250
2073
jest to, że dzięki dokładnej analizie, naukowcy
10:14
able to deeply explore the coordination networks in Syria
223
598323
2900
byli w stanie dogłębnie zbadać
sieć organizacyjną w Syrii,
sieć organizacyjną w Syrii,
10:17
that were ultimately responsible for receiving and
224
601223
2517
która była całkowicie odpowiedzialna
za przyjmowanie
za przyjmowanie
10:19
transporting the foreign fighters to the border.
225
603740
2464
i transport zagranicznych bojowników do granicy.
10:22
These were networks of mercenaries, not ideologues,
226
606204
2633
Była to sieć najemników, a nie ideologów,
10:24
who were in the coordination business for profit.
227
608837
2398
którzy byli w niej dla zysku.
10:27
For example, they charged Saudi foreign fighters
228
611235
1904
Na przykład, saudyjscy bojownicy opłacani byli
10:29
substantially more than Libyans, money that would have
229
613139
2199
znacznie lepiej niż libijscy, pieniędzmi
10:31
otherwise gone to al Qaeda.
230
615338
2320
które w przeciwnym razie trafiłyby do Al-Kaidy.
10:33
Perhaps the adversary would disrupt their own network
231
617658
2045
Być może przeciwnicy mogliby
przerwać ich własną sieć
przerwać ich własną sieć
10:35
if they knew they cheating would-be jihadists.
232
619703
3035
gdyby wiedzieli,
że oszukują potencjalnych dżihadów.
że oszukują potencjalnych dżihadów.
10:38
In January, 2010, a devastating 7.0 earthquake struck Haiti,
233
622738
3745
W styczniu 2010, tragiczne trzęsienie ziemi,
7,0 w skali Richtera, nawiedziło Haiti.
7,0 w skali Richtera, nawiedziło Haiti.
10:42
third deadliest earthquake of all time, left one million people,
234
626483
2916
Było to trzecie
najbardziej śmiercionośne trzęsienie ziemi,
najbardziej śmiercionośne trzęsienie ziemi,
10:45
10 percent of the population, homeless.
235
629399
2584
po którym milion ludzi, 10 % społeczeństwa,
zostało bez dachu nad głową.
zostało bez dachu nad głową.
10:47
One seemingly small aspect of the overall relief effort
236
631983
3137
Jeden pozornie niewielki aspekt pomocy humanitarnej
10:51
became increasingly important as the delivery of food
237
635120
2176
stawał się coraz bardziej ważny,
gdy dostarczenie żywności
gdy dostarczenie żywności
10:53
and water started rolling.
238
637296
2160
i wody stawało się coraz trudniejsze.
10:55
January and February are the dry months in Haiti,
239
639456
1458
Styczeń i luty są suchymi miesiącami na Haiti,
10:56
yet many of the camps had developed standing water.
240
640914
2942
a pomimo tego, w wielu obozach
udało się wykorzystać wodę stojącą.
udało się wykorzystać wodę stojącą.
10:59
The only institution with detailed knowledge of Haiti's
241
643856
2122
Jedyna instytucja posiadająca szczegółową wiedzę
11:01
floodplains had been leveled
242
645978
1297
o terenach zalewowych Haiti została zrównana z ziemią
11:03
in the earthquake, leadership inside.
243
647275
3008
w trzęsieniu ziemi, a jej kierownictwo było wewnątrz.
11:06
So the question is, which camps are at risk,
244
650283
2575
Zatem problemem stało się to,
które obozy były zagrożone,
które obozy były zagrożone,
11:08
how many people are in these camps, what's the
245
652858
1921
ilu ludzi w nich przebywało,
jakie były prognozy powodzi,
jakie były prognozy powodzi,
11:10
timeline for flooding, and given very limited resources
246
654779
2311
oraz, przy bardzo ograniczonych
zasobach i infrastrukturze,
zasobach i infrastrukturze,
11:12
and infrastructure, how do we prioritize the relocation?
247
657090
3384
w jaki sposób uporządkować
przemieszczanie ofiar?
przemieszczanie ofiar?
11:16
The data was incredibly disparate. The U.S. Army had
248
660474
2344
Dane były niewiarygodnie rozbieżne.
Armia amerykańska miała
Armia amerykańska miała
11:18
detailed knowledge for only a small section of the country.
249
662818
2929
szczegółową wiedzę
dotyczącą tylko małej części kraju.
dotyczącą tylko małej części kraju.
11:21
There was data online from a 2006 environmental risk
250
665747
2511
Istniały dane online z konferencji
o zagrożeniach dla środowiska z 2006
o zagrożeniach dla środowiska z 2006
11:24
conference, other geospatial data, none of it integrated.
251
668258
2664
i inne dane geoprzestrzenne,
ale żadne z nich nie były zintegrowane.
ale żadne z nich nie były zintegrowane.
11:26
The human goal here was to identify camps for relocation
252
670922
2958
Celem było określenie obozów do przeniesienia
11:29
based on priority need.
253
673880
2395
na podstawie pierwszeństwa potrzeb.
11:32
The computer had to integrate a vast amount of geospacial
254
676275
2440
Komputery muszą integrować
ogromną ilość geoprzestrzennych
ogromną ilość geoprzestrzennych
11:34
information, social media data and relief organization
255
678715
2584
informacji, danych z mediów społecznościowych
11:37
information to answer this question.
256
681299
3480
i organizacji pomocowych
w celu znalezienia odpowiedzi na ten problem.
w celu znalezienia odpowiedzi na ten problem.
11:40
By implementing a superior process, what was otherwise
257
684779
2415
Nadając zadaniu najwyższy priorytet,
co w przeciwnym razie
co w przeciwnym razie
11:43
a task for 40 people over three months became
258
687194
2608
byłoby zadaniem dla 40 osób przez 3 miesiące,
11:45
a simple job for three people in 40 hours,
259
689802
3176
stało się prostą pracą dla 3 osób przez 40 godzin,
11:48
all victories for human-computer symbiosis.
260
692978
2628
a wszystko dzięki symbiozie człowiek-komputer.
11:51
We're more than 50 years into Licklider's vision
261
695606
2054
Jesteśmy ponad 50 lat w wyobrażeniu Licklidera
11:53
for the future, and the data suggests that we should be
262
697660
2242
dotyczącym przyszłości,
zaś wyniki wskazują, że powinniśmy być
zaś wyniki wskazują, że powinniśmy być
11:55
quite excited about tackling this century's hardest problems,
263
699902
3030
dość uradowani, bo udało się rozwiązać
największe problemy tego stulecia
największe problemy tego stulecia
11:58
man and machine in cooperation together.
264
702932
2947
przy współpracy ludzi i maszyn.
12:01
Thank you. (Applause)
265
705879
2197
Dziękuję. (Brawa)
12:03
(Applause)
266
708076
2505
(Brawa)
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